目前,会话推荐已广泛应用于在线视频、电子商务网站等互联网平台,成为热点研究问题之一。现有方法主要从匿名会话数据中挖掘物品偏好或用户倾向,而这些方法主要依据物品或类别的点击模式或变化趋势来进行预测。这显然无法预测语义相关度较低的类别的物品,而这种语义不相关的类别可以在高阶语义空间中所刻画。因此,本文认为会话物品的点击行为是用户潜在需求所驱动的,即前述所提的高阶语义空间。因而,本文研究面向会话数据的需求驱动物品推荐问题。针对上述问题,本文提出了基于需求感知的图神经网络会话推荐模型。它通过需求提取模块,捕获类别间的复杂关系,进而提取会话用户的潜在需求。随后利用需求信息计算门控单元的输出值,来控制物品节点在图神经网络中的信息传递过程,进而学习到需求感知的物品表示,得到需求感知的会话全局偏好,最后通过判断候选物品的特征表示与会话需求偏好的表示是否匹配来推荐下一物品。在Tafeng数据集上的实验结果表明该方法在NDCG@20、NDCG@40指标上分别提升了4.484%、3.592%,在Tmall数据集上Recall@20、Recall@40指标分别提升了3.343%、8.869%,验证了基于需求感知的图神经网络会话推荐模型的有效性。为深入挖掘会话的需求信息,提升模型性能,本文提出了基于互信息的需求增强的会话推荐模型。该模型的需求提取模块使用软注意力机制来聚合不同类别以增强需求表达能力。另外,为保持需求在会话物品上的分布与会话物品类别的一致,该模型设计了一个互信息损失函数,来进一步增强会话需求下的物品偏好的表达能力。在Tafeng数据集上的实验结果表明该方法在Recall@20、NDCG@20指标上分别提升了7.62%、11.536%,在Tmall数据集上各项指标也优于对比方法,表明该方法提升了会话物品的推荐性能。