随着经济的迅猛发展和人们生活品质的不断提高,旅游业已经成为发展最快的行业之一。在旅游休闲方面人们开始通过互联网对旅游信息进行查询并筛选出自己喜欢的信息。用户的增加使互联网上的数据量呈指数倍增长,数据量增大导致用户需要大量时间进行筛选自己感兴趣的景点,难以选择出适合自己的旅游路线。推荐系统可帮助用户从大数据中筛选出自己喜欢的旅游路线。在旅游推荐领域中传统的推荐算法虽然取得了良好的效果,但因没有数据而造成的启动困难问题-冷启动,数据稀疏性问题,以及忽略旅游轨迹中的隐含语义问题,推荐精准度低等问题仍未解决。针对上述问题本文使用基于序列学习的旅游景点推荐来解决这些问题,该方法通过分析游客的旅游轨迹信息来为游客作出个性化的旅游景点推荐,旨在解决传统推荐算法中因为没有数据而造成的启动困难问题-冷启动,数据稀疏,忽略旅游轨迹中高级语义的问题和推荐准确度低的问题。本文的研究内容如下:1、本文首先提出基于门控循环单元神经网络的景点推荐方法,旨在解决传统推荐算法现有的因为没有数据而造成的启动困难问题-冷启动、数据稀疏、忽略旅游轨迹中高级语义的问题和推荐准确度低的问题。首先通过门控循环单元神经网络对整条旅游轨迹建模,多条旅游轨迹同时进行训练,同时把其他旅游轨迹中的相同位置景点作为负例进行训练,减少了负例的计算量和时间,利用游客历史轨迹建模后向游客提供个性化旅游景点推荐。在真实旅游数据集上的实验表明,本文使用的方法与在推荐系统中广泛使用的基线方法相比效果显著提高。2、在基于门控循环单元神经网络的景点推荐方法的基础上进行算法改进,提出了一种基于最大负例的优化方法模型。在原模型的基础上考虑到有效负例对推荐效果的影响,并把所有负例与得分最高的负例相比较进行权重赋值,这样得分越高的负例权重越大对推荐结果影响越大,得分低的负例权重小对推荐效果影响也就很小。在原有的基础上增加了负例集合并找到得分最高的负例与所有负例进行对比并进行权重赋值,以这样的方式进行改进,对每个游客提供个性化的旅游景点推荐。