La recomendación basada en sesiones (SBR) tiene como objetivo predecir los próximos intereses de un usuario en función de sus acciones en una sola visita. Los métodos recientes utilizan redes neuronales de grafos para estudiar la relación par a par de las transferencias de artículos, sin embargo, a menudo pasan por alto las complejas conexiones de alto orden entre los artículos. Los hipergrafos pueden modelar de manera natural relaciones de muchos a muchos y capturar interacciones complejas, mejorando así la precisión de SBR. Sin embargo, el potencial de los hipergrafos en SBR sigue siendo poco explorado. Este documento modela los datos de sesión en dos vistas: la vista de hipergrafo, que emplea convolución de hipergrafo, y la vista de sesión, que utiliza el grafo de intersección del hipergrafo con convolución de grafo estándar para apoyar la tarea principal de recomendación. Al combinar el aprendizaje contrastivo de vista cruzada con el entrenamiento adversarial de vista como tarea auxiliar, las dos vistas explotan recursivamente diferentes informaciones de conectividad para generar muestras de verdad fundamental, enriqueciendo así la información de la sesión. Experimentos extensivos en tres conjuntos de datos de referencia confirman la efectividad de nuestro enfoque de modelado de hipergrafos y el aprendizaje contrastivo de vista cruzada.