随着互联网的信息爆炸式增长,推荐技术成为当前大数据时代下人工智能应用具有广泛前景的一个领域。通过分析用户喜好主动地向用户推荐信息或商品的方式,可以有效地缓解信息过载的问题,为用户提供优质的信息服务,也为商家带来更大的经济效益。会话型推荐,是一种根据用户在某一段时间内的交互点击行为对用户进行推荐的方法,近些年受到了越来越多的研究者的关注。因为会话本身具有序列结构,所以擅长处理序列信息的循环神经网络（Recurrent Neural Network,RNN）成为了会话型推荐系统的最常用的模型。然而,之前的研究往往只关注会话内的交互,对于可以帮助提升推荐效果的多元化信息缺乏合理的应用,比如反映个性化信息的用户历史行为信息、来自邻居的协同过滤信息等。为了合理利用多元化信息,我们提出两种用于会话型推荐系统的联合神经网络:（1）基于联合神经网络的会话型推荐模型。该模型利用擅长处理序列信息的循环神经网络处理会话内部的交互序列,利用擅长处理静态特征的卷积神经网络处理当前会话之前发生的同一用户的历史交互,得到较为准确的会话特征向量和用户长期偏好向量,并且分析了来自邻居会话的协同过滤信息,给出精准丰富的推荐。（2）基于联合图神经网络的会话型推荐模型。利用当前会话、历史会话以及邻居会话构造出用户行为图和邻居图,然后利用图神经网络分别对其进行处理,得到了当前会话的两种向量表示,并将其聚合送入到深度神经网络中,预测出用户对不同物品的喜好程度。在用户行为图的处理过程中我们考虑了交互发生的时间间隔,并设计了依据时间间隔确定交互之间相似度的方法。我们在公开的推荐系统数据集上设计了一系列实验来验证我们模型的有效性。实验结果表明,我们设计的联合神经网络模型和联合图神经网络模型在两个推荐系统常用评价指标上显著优于现有的会话型推荐模型。并且,我们还对模型中不同的模块进行了分析,证明我们对不同信息的考虑和利用都是有效果的。