随着互联网的高速发展,越来越多的人在互联网上分享足迹、照片、评论和游记等旅游信息,使得互联网上各种旅游信息呈爆炸式增长。面对庞大、复杂的旅游数据人们很难快速的从中找到自己想要的信息,制定旅行计划。因此用户对于旅游出行的个性化服务需求越来越强烈,向用户提供更智能的旅行建议,已经成为学术界和工业界的一个热门课题。基于此,本论文对个性化旅游推荐方法展开详细的分析与研究。针对用户旅游决策时会从多个因素联合考虑,而单一模态的旅游访问数据不足以获得用户偏好的问题,提出了基于多视图联合学习的个性化旅游推荐方法。该方法利用深度学习技术从景点的图像、评论、评分以及区域知名度等多模态的旅游数据中挖掘用户偏好,构建多个视图联合学习用户画像。最后,通过注意力网络联合多个视图进行预测,模拟用户旅游决策过程,获得用户的旅游偏好。此外,为了验证方法的有效性,本文构建了多模态的旅游数据集MFW,数据包含马蜂窝网站上约400000条的用户旅游访问记录。实验结果表明该方法可有效推断用户偏好,提高旅游推荐性能。针对部分用户旅游数据记录稀少难以实现有效个性化推荐的冷启动问题,提出了基于图卷积网络的个性化旅游推荐方法。该方法将用户和景点视作图节点,用户和景点二部图视作图连接,利用基于个性化Page Rank传播的图卷积网络挖掘节点之间的潜在高阶联系,使仅有少数记录的用户的偏好信息在图连接中进行传播扩散,通过聚合用户节点及其多个高阶邻居节点的嵌入向量来得到更丰富的用户偏好信息,从而缓解用户访问记录数据稀少造成的偏好难以获取的问题。实验结果表明该方法只需利用用户的少数几个记录就能推断出用户偏好。针对用户旅游时间跨度长和偏好动态变化的问题,提出了基于用户动态偏好的个性化旅游序列推荐方法。该方法将用户的访问记录根据时间划分为多个子序列,利用长短时记忆网络学习用户不同时期的偏好,将其作为用户的短期偏好。针对用户长期偏好动态变化的问题,设计了特征记忆矩阵来储存和更新用户的长期偏好。此外,为了匹配和更新用户长期记忆,利用注意力门单元来筛选每个序列中与用户长期偏好相关的景点特征。最后将用户的长期与短期偏好结合进行最终推荐。实验结果表明该方法可以有效捕捉到用户偏好的动态变化,提高旅游序列推荐的准确性。