基于会话的推荐旨在根据当前用户的匿名会话的点击序列信息来预测用户的下一次点击行为。现有方法多数都是通过对用户会话点击序列的物品信息进行建模，并学习物品的向量表示，进而进行推荐。而作为一种粗粒度的信息，物品的类别信息对物品有聚合作用，可作为物品信息的重要补充。基于此，提出了基于会话的多粒度图神经网络推荐模型（SRMGNN）。首先，使用图神经网络（GNN）得到会话序列中的物品和物品类别的嵌入向量表示，并使用注意力网络捕捉用户的注意力信息；然后，将赋予了不同注意力权重值的物品和物品类别信息进行融合后，输入到门限循环单元（GRU）里；最后，通过GRU学习会话序列的物品时序信息，并给出推荐列表。在公开的Yoochoose数据集和Diginetica数据集上进行实验，实验结果验证了该模型在增加了物品类别信息后的优势，且实验结果表明了在Precision@20和MRR@20这2种评价指标上，该模型相较于短期注意力/记忆优先级（STAMP）模型、神经注意力（NARM）模型、GRU4REC等8种模型均有更好的效果。
