随着互联网的快速发展,海量的信息给人们带来便利的同时,也造成了“信息过载”的问题,个性化推荐系统被认为是解决信息过载问题的有效工具之一。推荐算法作为推荐系统的核心,对推荐效果有着决定性的影响。在许多在线推荐系统中,用户和系统之间的交互被组织成会话,会话指的是在一定的时间内发生的人与系统的交互序列。基于会话的推荐算法就是根据用户当前的交互序列对用户的下一个动作进行预测。基于会话的推荐算法与深度学习技术的结合取得了一系列成果,但是也存在一些不足,比如对深度学习模型融入上下文信息问题的探索还不够深入;比如在使用循环神经网络时,循环神经网络记忆能力有限且记忆存取不够灵活。这些问题在一定程度上影响了推荐算法的性能。本文针对以上问题进行了研究和探索,并提出一些改进措施,主要工作如下:（1）提出一种融合用户会话数据的上下文感知推荐算法,将上下文信息通过embedding的方式映射成低维实数向量特征,通过Add、Stack、MLP三种组合方式将低维向量特征融入到基于会话的循环神经网络推荐模型,设计了基于BPR的损失函数动态刻画会话序列中的用户偏好,以提升个性化推荐能力。设计实验探究对比了上下文信息的不同组合方式对推荐效果的影响。研究了在GRU单元的不同的阶段将上下文信息融入模型对推荐性能的影响。实验结果表明,本文提出的融合用户会话数据的上下文感知推荐算法在公开数据集上相比基线算法GRU4REC等算法,在召回率和MRR两个指标上都有明显的提升。（2）针对循环神经网络记忆能力有限且记忆的存取不够灵活等问题,提出结合记忆网络（Memory Network）的会话推荐算法。该算法设计了一个层次化的推荐模型,模型分为两层,分别是刻画当前会话兴趣的会话级别GRU模型和刻画用户长期兴趣的用户级别记忆网络模型。同时,为了记忆网络中的记忆向量的灵活存取,引入注意力机制,设计了相应的写入和读取模块。实验结果表明,该模型更能捕捉到用户的长期兴趣。在公开数据集上的实验证明,在会话个数为10相对于会话个数为5的性能提升对比中,本文所提算法HNUM在Recall和MRR的提升度上相对于基线算法HGRU都有4个百分点的增加。