我们在推荐系统这一新领域应用了循环神经网络（RNN）。现实中的推荐系统经常面临只能基于短会话数据（例如小型体育用品网站）而非长用户历史（如Netflix的情况）进行推荐的问题。在这种情况下，备受赞誉的矩阵分解方法并不准确。通常，实际中通过转向物品到物品的推荐来克服这一问题，即推荐相似的物品。我们认为，通过对整个会话进行建模，可以提供更准确的推荐。因此，我们提出了一种基于RNN的会话推荐方法。我们的方法还考虑了任务的实际方面，并对经典的RNN进行了若干改进，例如引入了排名损失函数，使其更适合解决这一特定问题。在两个数据集上的实验结果表明，该方法相比广泛使用的方法有显著改进。