推荐系统在现代商业平台中发挥了重要作用,目前已经被广泛应用在各个领域中。其中,会话序列推荐是推荐系统领域的热门问题之一。随着深度学习技术的发展以及会话序列推荐相关的大规模数据集的出现,深度神经网络开始被应用于解决会话序列推荐问题,并取得了较好的成效。在本文中,我们提出的模型可以进一步提升会话序列推荐的现有方法的效果。会话序列推荐的任务是基于匿名的会话数据,预测用户的下一步操作。尽管会话中的项目是按时间先后排序的,但由于存在用户随机决策,会话的项目之间不一定存在顺序依赖关系。但在现有的工作中,这种无序信息都被忽略了,会话被当作纯粹的有序序列进行处理。实际上,无序信息是会话的重要属性,在会话序列推荐任务中发挥了极大作用。但目前的会话序列推荐方法中,没有显式地考虑融合会话的有序和无序信息的工作。本文引入了一个无序网络,将每个会话序列视为项目的无序集合,显式地把会话的无序信息利用到推荐任务中。理想的会话序列推荐方法应该同时具备学习会话的有序信息和无序信息的能力。为此,我们提出了一种新颖的神经网络模型,该模型由一个顺序无关的模块与基于循环神经网络的有序网络集成在一起。本文提出的模型名为“有序-无序特征网络”,通过端到端的方式组合会话序列中的有序特征和无序特征来学习会话的全局特征表示。实验表明,与多个基准方法和目前最前沿的算法相比,本文提出的模型在多个真实的会话序列数据集上的结果达到了领先的水平。