随着互联网信息资源的爆炸式增长,在搜索、电子商务、视频网站等许多的Web应用中,“信息过载”问题也日益突出。而推荐系统作为解决“信息过载”问题的有效方法,已经成为学术界和工业界的关注热点并得到了广泛应用。目前,大多数的推荐系统都是基于用户的个人信息和历史行为数据进行推荐。然而,在许多场景中,用户身份可能是未知的,并且只有当前会话中的用户行为数据是可用的,而基于会话的推荐则正是用来处理用户身份未知的场景。基于会话的传统推荐方法大多未考虑会话序列中物品的点击顺序,而基于会话的深度学习方法虽然有效的建模了会话的点击序列信息,却往往忽视了物品的其他信息,例如类别信息。大多数基于会话的推荐方法在处理用户会话的点击序列时,未将其作为有向图处理,因此无法获取节点间的相互关系,同时也未考虑会话过程中的兴趣偏移问题。针对上述问题,本文提出了新颖的会话型推荐模型,主要工作及创新点如下:（1）提出了一种基于图神经网络的会话型推荐模型（SRGNN）,将用户的会话点击序列构建成有向的用户会话图,通过图神经网络（GNN）对会话图的结构和信息进行学习及提取,使用门限循环神经网络（GRU）提取会话点击序列中的时序信息以及整个会话过程中的兴趣信息,并结合用户会话中最后时刻的兴趣信息为用户进行推荐。（2）提出了一种融合多特征信息的会话型推荐模型（SRIMI）,构建用户会话点击序列的有向物品会话图和对应的有向物品类别会话图,使用注意力网络对得到的物品和物品类别的嵌入向量进行融合,使用融合后的向量进行后续的推荐。通过添加物品类别信息作为物品信息的补充,减少用户兴趣偏移造成的影响,进一步提升模型的效果。（3）在Yoochoose 1/64数据集、Yoochoose 1/4数据集和Diginetica数据集上分别进行实验。首先将本文提出的两种模型进行多组对比实验,验证加入兴趣信息及类别信息的有效性。然后与八个基准模型进行实验对比,验证本文模型在推荐效果上的提升。在Precision和MRR两种评价指标上,均证明了本文提出的模型的有效性和准确性。