基于会话的推荐系统,定义为在用户匿名的情况下,仅仅依靠当前匿名会话中有顺序的物品点击序列,预测匿名用户的下一次点击行为,这在电子商务、短视频平台等互联网应用场景中都颇为常见。基于会话的推荐和传统推荐的最大区别在于,基于会话的推荐任务不使用用户的历史行为和画像信息,属于用户冷启动的问题,因此精确地推断用户兴趣显得尤为困难。现有的基于会话的推荐算法大多采用循环神经网络来建模会话中的时序关系,然而由于传统的基于循环神经网络的会话推荐算法假设“序列中所有邻近物品都是相关的”,所以在建模用户行为时,对会话序列中的所有物品一视同仁,没有进行区分性处理。然而在现实中,用户的点击模式可能是跳跃且不稳定的,因此传统的循环神经网络会学习到会话序列中的物品之间错误的依赖关系;此外,现有的基于会话的推荐工作中,在建模会话序列中潜藏的用户兴趣时,忽视了会话中的物品存在丰富的、细粒度的、多样化的物品特征,这无疑不利于用户兴趣的推断。针对这两个问题,我们提出了一种基于时序推理的分层会话感知推荐模型（Temporal Reasoning Based Hierarchical Session Perception Recommendation Model,TRHSR）,主要工作如下:1)提出了一种新的用户行为建模方法,通过将关系记忆内核引入典型的循环神经网络结构,从而有选择性地学习会话中物品之间复杂的依赖关系,有效地避免了在建模用户行为时学习到序列中错误的依赖关系。2)提出了一种新的用户兴趣建模方法,通过构造分层注意力机制,分别捕获物品在个体和特征两个层次的信息,放大显著的特征传递到下游,以建模更细粒度的用户兴趣。在两个公共数据集上的实验中,我们将TRHSR与基准算法和先进模型进行对比,结果表明TRHSR在两个数据集上均优于基准算法和先进模型,证明了TRHSR算法的有效性和先进性。