移动互联网的高速发展在4G、5G时代体现出了极强的适应性,为人们日常生活水平的提高提供了强有力的技术加持。在旅游业中,各大旅游网站通过采集吃住行相关的兴趣点信息供用户预订选择,用户在此信息网络中可以充分利用各种数据为出行提供决策依据,但不可避免的也有由于数据量过于庞大而导致用户无法高效选择的问题。推荐系统在众多商业领域展现出其显著的高效优势,但在旅游业的应用还有待研究和拓展。近年来,越来越多的用户以旅游团的方式出行,推荐对象由用户升级为群组,如何去合理高效地聚焦、匹配旅游群组,是进行精准推荐的核心数据预处理工作。此外,相较于传统个性化推荐系统,面向用户的推荐只需考虑个人历史交互信息,而面向群组的推荐不仅面临历史交互数量的增加,还需考虑如何融合群组成员的偏好来预测群组决策,尽可能提高整体满意度。现有的群组推荐系统在融合成员偏好时,多采用静态的、预定义的策略来进行浅层次的评分融合,这极大地增加了群内成员差异性过大导致最终结果满意度过低的风险。除了要认识到不同成员之间的差异性,还应充分考虑到用户的历史交互项对其偏好精准表达的影响,以及不同成员在加入特定群组时对当前候选景点选择的话语权,这个过程是动态、具有交互影响性的,从而才能有效应对稀疏数据集和用户冷启动的问题。本文针对以上问题,以旅游群组推荐系统为目标,开展深入的研究,主要的内容与创新点如下:（1）针对旅游群组用户具有众多不同风格的特点,本文提出一种用户自适应的旅游群组发现算法。应用局部异常点检测方法（Local Outier Factor,LOF）分割离群用户与非离群用户,然后在非离群用户集依次确定初始群组中心、k-means聚类,最后依据一定的标准,确定异常点的群组,完成群组发现。（2）针对旅游群组推荐系统具有动态学习成员偏好和海量数据计算的需求,本文提出一种基于自注意力机制的旅游群组推荐模型（Self-Attention-Based Tour Group Recommendation,SATGR）。该模型首先设计一个两层的神经注意力网络来学习群组中不同成员的个性偏好,当组与不同的项目交互时,既能够根据单个用户历史交互信息学习到其定制偏好向量,还能在模拟群组决策时,根据不同用户历史经验对决策的影响性,为不同用户分配特定的权重,动态调整群体的聚集策略。此外,还应有效利用用户-项交互数据来提高群组推荐的性能。为了在海量数据中捕捉群体决策的复杂过程,本文将原始用户项交互和学习到的组项交互同时输入至神经协同过滤（Neural Collaborative Filtering,NCF）框架,通过这种方式,不仅可以提高两个任务的性能,解决信息过载和动态建模问题,而且还可以通过利用群组数据为没有历史个人行为的冷启动用户提供建议。实验结果表明,自适应群组发现算法相较于随机群组划分方法能有更佳的推荐效果,同时,本文提出的SATGR模型相较于传统的基准推荐模型,在两个数据集（Mafengwo、Foursquare）的 HR 指标上分别提升了 3.83%和 3.02%,NDCG 指标上分别提升了 4.54%和5.64%,从而有效地证明了该旅游群组推荐模型能同时从项目级别和用户级别考虑对群组决策的影响力差异,动态性地聚合不同旅游群组在面对不同候选景点时的偏好,从而更精准地表达旅游群组偏好特征,借助神经协同过滤框架实现旅游群组的动态推荐。