تُعدّ التوصية القائمة على الجلسة مهمةً صعبة. وبما أن النموذج لا يمتلك وصولًا إلى تفاعلات المستخدم السابقة مع العناصر، فقد تكون المعلومات المتاحة في الجلسة الجارية محدودة جدًا. وقد ركزت الدراسات السابقة في مجال التوصية القائمة على الجلسة على تسلسلات العناصر التي تفاعل معها المستخدم تسلسليًا. ومع ذلك، قد لا تُمكّن هذه التسلسلات من التقاط العلاقات المعقدة في الانتقال بين العناصر التي تتجاوز الترتيب التسلسلي. ولذلك، تم اقتراح نماذج تعتمد على الشبكات العصبية الرسومية (GNN) لالتقاط العلاقات في الانتقال بين العناصر. لكن الشبكات العصبية الرسومية تُنقل عادةً المعلومات فقط من العناصر المجاورة، مما يؤدي إلى تجاهل المعلومات من العناصر التي لا تمتلك اتصالات مباشرة. وعلاوة على ذلك، غالبًا ما تواجه النماذج القائمة على GNN مشكلات خطيرة في التفوق (overfitting). نقترح نموذجًا يُسمى "الشبكات العصبية الرسومية النجمية مع الشبكات الممرّة" (SGNN-HN) للقيام بالتوصية القائمة على الجلسة. يعتمد النموذج المقترح على شبكة عصبية رسومية نجمية (SGNN) لتمثيل العلاقات المعقدة في الانتقال بين العناصر ضمن جلسة جارية. ولتجنب مشكلة التفوق، نستخدم الشبكات الممرّة (Highway Networks) لاختيار تمثيلات العناصر بشكل تكيفي من بين تمثيلات العناصر المختلفة. وأخيرًا، نقوم بجمع تمثيلات العناصر الناتجة عن الشبكة العصبية الرسومية النجمية خلال الجلسة الجارية لتمثيل التفضيل النهائي للمستخدم في التنبؤ بالعناصر. وأظهرت التجارب على مجموعتين من البيانات القياسية العامة أن نموذج SGNN-HN يمكنه التفوق على النماذج الحالية في الأداء، من حيث مقاييس P@20 وMRR@20 في مجال التوصية القائمة على الجلسة.