随着互联网时代的到来,以及智能终端的普遍使用,信息的产生以及传播变得越来越方便与快捷,“信息过载”也接踵而至。而推荐系统可以帮助人们过滤信息,并从浩如烟海的信息中找到合适的信息。迄今为止,推荐系统除了成为企业中不可或缺的工具,也成为了一个热门的研究领域。在众多最新的真实场景中,存在很多无法获取历史操作数据以及用户配置的情况,因此推荐系统无法持续追踪和记录非登录用户的行为数据,导致现有的推荐系统效果可能就不尽人意。而基于会话的推荐系统可以有效地解决这一问题。基于会话的推荐,能够对匿名用户有限的行为序列数据进行建模分析,并预测下一个推荐内容。本文利用图神经网络技术对基于会话的推荐系统进行了深入研究。针对图神经网络不能很好地表达会话的长期的兴趣依赖的问题,本文提出了基于多层注意力的图神经网络的会话推荐模型（MLA-GNN）,它能够有效地捕获会话序列中的信息传播以及会话中丰富的项目转换关系,并通过注意力机制来自适应地将权重分配给当前会话中的项目,更好的表达会话的长期全局兴趣。在MLA-GNN模型的基础上,针对会话图中缺失上下文信息以及不能保证关系矩阵的唯一性的问题,提出了基于会话图上下文信息增强的编码设计（GCEC）;旨在模型能够准确合理地对表达出会话图中的上下文关系,并且能够给出节点重要性权重以及保证编码的唯一性。针对自注意力机制中缺乏位置信息,从而导致模型无法辨别处于不同位置的物品的重要性的问题,提出了融合位置信息的注意力机制的会话编码设计（APE）提升模型的辨别能力。最后,结合GCEC与APE两个模块提出了基于图上下文增强编码和注意力位置增强的图神经网络的会话推荐模型（GCEC-APE-GNN）。以上两个模型在真实数据集上与其他模型进行了横向对比分析、消融实验分析以及参数可视化分析,验证了本文所提出的模型方法的合理性与有效性。