推荐技术可以发掘用户感兴趣的商品,已经被应用到了互联网的各个领域。一般的推荐系统,通常基于用户的完整个人信息和历史行为做出推荐决策。但在某些情况下,用户的登录和访问是匿名的,其个人信息和长期配置文件往往不能直接获取,并且用户的兴趣又是动态变化的,具有较强的即时性,因此,需要考虑基于用户当前正在进行的会话（Session,又称匿名会话）做出推荐决策,即会话推荐（Session-based Recommendation）。早期的一些研究将会话建模为线性序列,采用马尔科夫链、循环神经网络等方法对会话进行建模,对物品和会话进行表示以提出建议。这些方法效果尚可,但他们在对会话和多个物品之间复杂的转换关系进行建模和表示的时候,产生了信息的损失,无法准确表达数据本身的含义;并且没有考虑到会话数据本身具有的时空适应性改变问题,没有从历史数据中有效挖掘知识。为了解决上述的问题,本文提出了一种新的基于图神经网络的会话推荐模型。在提出的方法中,本文首先基于门控图神经网络和自注意力机制完成了完整的会话推荐模型;为了解决会话序列编码为会话图过程中的信息损失问题,提出了一种新的无损会话图编码方法,通过该方法来建立会话图进而完善图神经网络;为了解决会话数据的时空适应性改变问题,提出了一种新的元学习方法来有效挖掘历史数据的信息,并强化模型的学习能力。最终,本文提出了一个全新的会话推荐模型。本文在两个基准数据集上进行了多个实验,通过对比现有的基于传统机器学习的方法和基于神经网络的方法,基于两种推荐评价指标来验证本文提出的模型的表现。实验结果表明,本文的方法在评价指标上取得了最佳的效果,明显优于当前会话推荐领域的最新方法。