云计算、大数据的发展促使互联网数据呈爆炸式增长,在这一背景下,人们越来越依赖推荐系统来过滤信息。无论是信息的生产者还是信息的消费者,推荐系统的出现都给他们带来了不小的益处。对于信息生产者来说,推荐系统使他们可以将所持有的海量信息有针对性地展示给不同的用户,在提高信息利用率的同时提升了服务质量,有助于提升用户满意度。对于信息消费者来说,推荐系统快速有效地提供给他们所需要的信息,减少了时间浪费,提高了搜索效率,方便了人们的生活。由于用户的历史行为记录通常是有时间先后顺序的,因此序列推荐问题成为近几年研究的重点。在传统的序列推荐系统中,通常认为用户的身份信息和用户的历史行为序列都是可以利用的。而实际在许多场景下,出于隐私保护等原因用户的身份信息是不可获得的,此时传统的序列推荐算法就不能奏效了。基于会话的推荐算法就是在这种场景下,通过匿名用户行为序列对下一个物品进行推荐的算法。这类算法作为序列推荐算法的一个分支,已经成为各大学者研究的热点。目前基于会话推荐问题的算法主要使用循环神经网络和图神经网络为基础模型对会话序列进行建模。然而基于循环神经网络的算法具有较强的序列依赖性,无法捕获序列中的非序列依赖性。图神经网络虽然可以对序列中行为间复杂的转移关系进行建模,实现了较好的推荐结果。但是,这类方法仅从单一层面进行建模,存在会话信息利用不充分的问题,因此本文对融合异构数据的会话推荐算法进行研究,主要工作和创新点如下:（1）针对基于图神经网络的会话推荐模型仅从单一层面建模的问题,本文提出一种利用类别图增强的会话推荐算法（using category sequence graph to augment sessionbased recommendation,Ca Se4SR）。首先对物品序列和类别序列分别构建有向图,使用门控图神经网络分别对两种序列进行建模,然后将学习到的物品表征和类别表征进行融合,再利用注意力机制得到用户的全局偏好,同时结合局部偏好得到会话序列的最终表示,以进行下一个行为的预测。（2）针对邻居会话选取时存在的邻居信息稀疏性问题,本文提出一种类别感知的协同会话推荐算法（category-aware collaborative session-based recommendation algorithm,Ca Co SR）,该算法提出了一种类别感知的邻居选择机制,即结合物品层面和类别层面的信息来寻找相似的邻居会话,有效减轻了邻居信息的稀疏性问题。（3）针对由于用户身份信息不可用而导致用户的个性化偏好无法捕获的问题,本文尝试对用户的行为类型序列建模,提出一种类别感知的协同个性化会话推荐算法（category-aware collaborative personalized session-based recommendation algorithm,PCa Co SR）。利用循环神经网络对用户行为类型序列建模,得到用户的一般偏好信息,并将其作为个性化信息辅助会话建模。（4）在实际应用方面,本文通过在两个真实数据集上进行实验验证,将FPMC、GRU4Rec-top K、NARM、STAMP、SR-GNN和CSRM等多种算法作为基准模型,将Recall@20和MRR@20作为评价指标。实验结果表明,本文所提出的算法在所有数据集上的推荐性能都一致优于这些基准模型,可以更准确地预测用户的下一个行为。