摘要：会话推荐旨在匿名会话中预测用户下一次的交互信息。现有基于图神经网络的会话推荐模型(GNN)在全局图中融入了两两物品的转移关系,但忽略了项目本身在全局图中的重要性,从而影响了推荐精度。此外,在会话图中对邻居节点对当前节点的影响考虑不全面。因此,提出了一种新的强化节点全局重要度的会话推荐算法(EGIN-SR,Enhanced Global Importance of Nodes Session Recommendation Algorithm)。该算法在全局图中利用PageRank计算每个项目的重要度,以此更加精准地表示项目。同时,设计了一种转换感知权重聚合方法,可以感知到不同的节点转换,突出不同邻居对其自身的重要性。在Diginetica、Tmall天猫数据集和Nowplaying数据集上的实验表明,该方法在性能上优于现有的主流方法,证明了此方法的有效性。