La recomendación basada en sesiones tiene como objetivo modelar la intención de un usuario y predecir un elemento con el que el usuario pueda interactuar en el siguiente paso basado en una sesión en curso. Los sistemas de recomendación basados en sesiones existentes principalmente tienen como objetivo modelar las señales secuenciales basadas en estructuras de Redes Neuronales Recurrentes (RNN) o las relaciones de transición de elementos entre elementos con marcos basados en Redes Neuronales Gráficas (GNN) para identificar la intención de un usuario para recomendación. Sin embargo, en escenarios reales, puede haber señales secuenciales fuertes que existen en los comportamientos adyacentes de los usuarios o relaciones de transición de múltiples pasos entre diferentes elementos. Por lo tanto, los métodos basados en RNN o GNN solo pueden capturar información limitada para modelar patrones de comportamiento de usuario complejos. Las RNN prestan atención a las relaciones secuenciales entre elementos consecutivos, mientras que las GNN se centran en la información estructural, es decir, cómo enriquecer la incrustación del elemento con sus elementos adyacentes. En este artículo, proponemos una Red de Co-atención Colaborativa para la Recomendación Basada en Sesiones (CCN-SR) para incorporar tanto información secuencial como estructural, así como capturar las correlaciones entre ellas para obtener una representación precisa de la sesión. Para ser específicos, primero modelamos la sesión en curso con una estructura de RNN para capturar la información secuencial entre elementos. Mientras tanto, también construimos un gráfico de sesiones para aprender las representaciones de los elementos con una estructura de GNN. Luego, diseñamos una red de co-atención sobre estas dos estructuras para capturar la información mutua entre ellas. La red de co-atención diseñada puede enriquecer la representación de cada nodo en la sesión con información secuencial y estructural, y así generar una representación más completa para cada sesión. Se realizan experimentos extensos en dos conjuntos de datos públicos de comercio electrónico, y los resultados demuestran que nuestro modelo propuesto supera al modelo de referencia de última generación para la recomendación basada en sesiones en términos de Tasa de Recuerdo y MRR. También investigamos diferentes estrategias de combinación y los resultados experimentales verifican la efectividad de nuestro mecanismo de co-atención propuesto. Además, nuestro modelo CCN-SR logra un mejor rendimiento que los modelos de referencia con diferentes longitudes de sesión.