推荐系统作为计算机领域的重要技术,在当今大数据时代各个领域中的应用也越来越广泛,人们也越来越依赖推荐系统在海量数据中为自己筛选有用的信息。在用户信息对系统透明的场景中,基于会话的推荐算法受到了广泛关注,它不需要用户身份信息,仅根据用户历史行为信息为用户推荐感兴趣的商品。基于深度学习的会话推荐方法和模型被提出后取得了很好的推荐效果,从循环神经网络到图神经网络的应用,模型的性能得到了很大的提升。但是,图神经网络的使用仍然存在很多缺陷,如不能将部分节点的特征传递到整个图中,以及深层神经网络存在过度平滑问题,不能很好地区分节点特征等。本文针对以上问题进行深入研究,并提出相应的改进策略。因为现有的模型存在不能提取更深层次的节点特征等问题,本文提出了基于高阶聚合的图卷积网络模型的会话推荐模型HAMA-GCNs。该模型叠加图卷积层形成深度神经网络从而聚合节点更高阶的邻居节点信息,挖掘更深层次的特征信息;同时,图卷积层的消息传递机制的设计减缓了传播过程的过度平滑的现象。然后,在会话表达中融合了多头注意力机制,提高了会话的表达能力。在HAMA-GCNs模型基础上,针对神经网络层数无法确定以及仍存在的过度平滑问题,本文提出了基于扩展自适应传播和注意增强图卷积网络模型的会话推荐模型EAPAE-GCNs。该模型在HAMA-GCNs的多层神经网络中加入了自适应传播过程,在训练过程中自适应地计算每个节点的通信步数,从而确定神经网络层数;同时,改变了神经网络的消息传递机制,消除了深度神经网络的过度平滑现象。在会话表达中,除了采用多头注意力机制,还考虑了目标项的影响,加入了目标感知的注意力机制进行会话向量编码。为证明本文提出模型的有效性,本文的两个模型在公开数据集上进行对比实验,结果表明本文提出的两个模型在Recall@20和MRR@20两个指标下,优于现有模型,同时进行了大量实验说明本文提出模型的合理性。如,HAMA-GCNs在Diginetica数据集的MRR@20指标下比现有模型的推荐精度提高3.01%,EAPAE-GCNs在Yoochoose1/4数据集的Recall@20指标下比现有模型的结果提高4.88%。