随着人们生活水平的提高,人们对旅游的需求日益增加。面对海量的互联网信息,传统的搜索引擎在景点推荐方面往往无法满足用户的个性化需求,用户通常需要花费大量时间筛选景点信息。个性化景点推荐作为智慧旅游城市和位置服务的重要课题之一,如何为用户做出精准推荐,提供个性化服务,提高用户满意度显得尤为重要。为此,个性化景点推荐系统备受关注,已经成为学术界和商业界研究的热点之一。由于知识图谱有效地解决了项目冷启动和数据稀疏等问题,同时它自身丰富的图网络结构使得不少相关学者研究并应用到推荐系统中。近年来,基于知识图谱的推荐算法表现出强大的可行性和鲁棒性,但是现有的知识图谱算法存在无法建模用户的偏好的问题。基于序列建模的推荐算法虽然建模了用户行为序列,但往往没有考虑项目的属性信息。为了克服这些不足,本文提出了KG-ULSP模型和KGSA4Rec模型并应用到个性化景点推荐系统中。本文的具体研究内容如下:（1）提出了一种基于知识图谱和用户长短期偏好（KG-ULSP）的个性化景点推荐方法。首先构建用户、景点及评分旅游景点知识图谱,使用网络表示学习中具有代表性的方法Node2Vec,通过带偏置的随机游走策略,利用神经网络语言模型Word2Vec学习每个景点的特征向量表示。然后将景点向量输入到门控循环单元（GRU）网络训练得到关于景点序列的潜在向量表示。最后使用注意力机制建模用户长期偏好和短期偏好,线性拼接用户的长期偏好和短期偏好,预测每个景点在下一次访问的概率并生成用户可能喜欢景点的推荐列表。实验结果证明了基于知识图谱和用户长短期偏好模型比其他模型推荐结果更准确,也说明了融合了景点属性和网络结构语义信息的景点向量,以及对长短期偏好建模对提高推荐结果有提升作用。（2）考虑到知识图谱丰富的图网络结构,我们进一步完善景点属性信息,将基于翻译模型的方法引入到个性化景点推荐系统中,提出了一种基于知识图谱和自注意力机制的个性化景点推荐方法。利用知识表示学习中的TransD翻译模型将游客游玩的景点以及景点的六个属性（游客对景点的评分,景点的地理位置,类型,等级（5A）,门票和适宜游玩的季节）,分别映射到不同隐式语义空间中,学习景点的特征表示,然后利用自注意力机制建模序列行为,挖掘游客对不同景点的偏好信息,最终通过矩阵分解的方式预测游客对待预测景点的打分,并生成推荐列表。通过在真实旅游数据上的实验以及大量的对比实验,验证了所提方法的有效性。