社会的快速发展和人们生活水平的提高方便了人们的出行,因此近年来,我国旅游业取得了巨大的发展,同时关于旅游方面的研究课题也得到了广泛的关注,其中旅游推荐就是众多课题的一个。移动互联网的迅速发展为旅游推荐研究提供了数据支持,LBSN(Location-based Social Network,基于位置的社交网络)中的数据不仅能够反映用户偏好,而且由于其具有空间特征的特性,因此LBSN中的数据还能够反映流行路线和用户转移模式的规律。由于互联网的发展迅速及其庞大的使用人群,其产生的数据量是非常巨量的,这导致了大部分的推荐方法在召回率和精确率方面不能达到让人满意的结果。另一方面,在旅游新城市之前,路线规划基本上是一项必备的工作,虽然当前存在较多的旅游网站可以为游客提供数据查询,但是由于其数据量的庞大,这无疑增大了用户的工作量,并且不能解决用户偏好、约束条件等问题。尤其在用户规划旅游行程时,更需要用户花费大量的时间,但是在大部分情况下,用户仍然不会获得自己满意的结果,因地点选择和路线规划对于游客来说是一项艰巨的任务,个性化旅游推荐不仅能降低用户的工作量,还能够有效挖掘用户的偏好和一些隐蔽景点,这可以提升用户的旅游体验。本文在基于Foursquare中真实数据集的基础上,从旅游研究中的景点推荐和行程推荐两个方面做了相关研究,主要贡献如下:(1)受文本挖掘中TF-IDF方法的启发,本文将采用该方法挖掘用户的类别偏好,并将其融合在基于签到频率矩阵的过滤方法中,实验表明,其可以有效改进推荐效果。(2)针对不同地点在不同时段具有不同吸引力和用户对地理空间距离的敏感性不同的问题,本文将时空因素同样作为地点的影响因素,另一方面,本文将用户消费水平融入到地点个性化推荐系统中,在当前众多类型的兴趣点中,其面向的用户群体不同,因此通过采集并分析用户的消费地点的消费水平,可以更加有效的挖掘用户的偏好,本文通过自适应核密度估计的方法对用户的消费水平进行建模;最后,提出了一个融合用户消费水平的多因素地点推荐系统。(3)当前个性化旅行路线的研究中,大多数研究者集中在地点属性挖掘方面,很少考虑用户的转移模式的研究,本文通过马尔科夫模型来挖掘用户转移模式规律,并将其作为地点选择的重要因素;同时构建了用户个性化停留时间及考虑延迟指数的转移时间的计算方法,最后通过状态扩展路径树来规划出符合约束条件的线路,最后与几种不同的路径推荐算法相比较。