سیستم های توصیه گر مبتنی بر جلسه نوعی از سیستم های توصیه گر هستند که با مدلسازی وابستگی های بین تعاملات کاربر و آیتم ها، به دنبال معرفی مناسب ترین آیتم یا مجموعه ای از آیتم ها به کاربر هستند. موضوع مهم در عملکرد این سیستم ها، توانایی کشف وابستگی های مختلف در یک جلسه است. درحالیکه مدلهای موجود اغلب تنها بر یکی از این دو نوع وابستگی ترتیبی یا پیچیده تمرکز دارند، در این پژوهش یک مدل جدید ارائه شده است که از شبکه عصبی گراف برای شناسایی وابستگی های پیچیده و غیرترتیبی بین آیتم ها، و از شبکه عصبی بازگشتی برای مدلسازی وابستگی های ترتیبی درون جلسه استفاده میکند. این ترکیب به مدل امکان میدهد تا درکی غنی تر و دقیق تر از هدف کاربر به دست آورده و در نتیجه، نسبت به روشهای متعارف که تنها به یکی از این جنبه ها می پردازند، دقت پیش بینی بالاتری و Yoochoose را ارائه دهد. ارزیابی جامع بر روی دو مجموعه داده پرکاربرد برتری روش معرفی شده را در مقایسه با جدیدترین روشهای موجود ،Diginetica ٪0/ به ترتیب به بهبود 40 RGNF-SRec به اثبات می رساند. نتایج نشان میدهد که نسبت به قویترین مدل پایه بر MRR@ 1٪ در معیار 20 / و 00 P@ در معیار 20 روی این مجموعه داده ها دست یافته و توانایی خود را در ارائه توصیه های دقیقتر برای آیتم بعدی به نمایش میگذارد.
