伴随着2018年文旅融合顺利开局,到各省市加大力度推动文旅产业发展,旅游已经越来越成为当代人休闲娱乐的必选项。随着旅游业的快速发展,旅游门户网站如:飞猪、去哪网儿网、携程旅行等功不可没,这些旅游平台一方面让人们了解到很多景点,产生了对旅游的向往;另一方面,随着用户生成内容（UGC）的发展,这些网站也产生了指数级的数据。面对这样的情形,用户想在海量的景点信息里寻找和发现感兴趣的景点变得非常的吃力。与此同时,平台如何更有效的实现个性化推荐很大程度决定了用户的最终消费情况,所以如何实现更有效的推荐成为当下的旅游推荐研究的热点。而景点推荐系统可以帮助用户过滤到无用的信息,同时还能帮助商家发现潜在客户,推断用户的潜在画像。所以本文将着力于研究旅游景点推荐算法。然而传统的推荐算法:如基于协同过滤的推荐由于用户与项目交互数据的稀疏性,往往导致推荐不准确;基于深度学习的推荐一定程度上提高了推荐的准确率,但推荐过程不够透明,难以满足部分用户理解推荐结果的解释。基于上述背景,本文引入了基于多源异构数据的知识图谱推荐框架,将知识图谱嵌入与推荐过程相结合,推断用户在知识图谱上的兴趣传播路径,形成推荐解释。此外,本文分析旅游活动受季节波动因素的影响,并拟合数学模型将其应用到推荐框架中,从而提出本文的推荐框架——SF-RippleNet（seasonal fluctuation-RippleNet）。该推荐框架依赖于知识图谱中的三元组关系,所以本文首先爬取北京市的景点相关信息,选取旅游平台（去哪儿网、携程）景点详情页的景点数据,以及百度百科数据,以及百度地图相关数据,和部分评论信息数据,以及CN-DBpedia的部分信息,融合这些数据构建知识图谱,并将图谱知识用NEO4j存储,构建北京市旅游景点知识图谱。本文推荐框架旨在通过知识图谱嵌入与SF-RippleNet联合学习实现可解释性推荐。对于构建好的北京市旅游景点知识图谱,采用三阶张量分解（RESACL）表示知识图谱中的三元组关系。将知识图谱嵌入作为输入,带入到SF-RippleNet框架,最大限度地挖掘推荐场景和知识图谱的知识。最后对爬取的真实旅游数据经过挖掘后进行了全面的实验验证,从而验证算法的推荐结果。结果表明本文基于北京市旅游知识图谱的推荐方法实现了算法性能的提升,还能运用知识图谱的三元组关系知识推理出用户的兴趣传播路径,从而实现推荐的可解释性。此外,本文证明将季节波动考虑到旅游景点推荐中是具有意义的。