随着信息技术的普及,推荐系统早已被认可为解决信息过载问题有效而强大的工具。相对于传统推荐算法,会话推荐算法利用了用户行为的时序信息,更能有效建模用户的兴趣偏好,因而成为当前推荐算法的研究热点。当前会话推荐算法主要有两个问题:一是时序信息提取不足,尤其是缺乏物品的时序特征提取;二是较多考虑序列数据的线性关系,而缺少物品间转换关系的分析。针对以上两个问题,本文基于用户的历史会话数据,结合图神经网络、注意力机制等技术,提出了相应的会话推荐算法并提高了推荐的准确性。其主要内容如下:（1）针对时序特征提取不足的问题,本文提出了基于注意力神经网络的会话推荐算法,对用户和物品的时序特征进行充分提取。对于用户侧特征,算法利用注意力网络对当前会话和过往交互信息分别提取了短期特征和长期特征;对于物品侧特征,算法同样利用注意力网络对物品近期的交互记录进行了短期特征提取,并以预训练得到的隐向量作为长期特征。最终,算法结合用户以及物品的混合特征,进行推荐结果的预测。（2）针对缺乏物品转换关系学习的问题,本文提出了基于图神经网络和注意力机制的会话推荐算法。算法基于用户的当前会话和历史会话信息,首先使用图神经网络对每个会话序列以及全局序列进行图级别特征提取;然后使用循环神经网络对历史会话图特征进行动态建模;最后,结果预测层结合多层级的会话图特征,进行推荐结果的预测。（3）本文在公开的数据集上对提出的两个算法进行了综合实验和分析。通过参数实验对本文的算法模型进行了各项参数的取值分析;通过消融实验对本文算法的各个模块进行了有效性验证;在对比实验中,将本文的算法与多个经典和先进算法进行了对比。实验结果说明,本文的两个算法均具有更好的表现,体现了其在会话推荐任务上的优越性。