（1）研究的背景

随着在线旅游的迅猛发展，在线旅游行业出现了信息过载的问题，面对种类和数量越来越多的旅游产品，在线旅游的用户也难以快速高效的找到自己需要的产品。另外当下的在线旅游经济已经进入了激烈的拼杀阶段，OTA平台的同质化竞争不断，各家获取用户、获取流量变得越来越难，成本越来越高。传统的价格战等营销、运营方式不能够有效获客，让OTA等综合在线旅游预订平台进入瓶颈期，但相反垂直领域的住宿、交通平台却逐步迎来上升期。之所以出现这样的现象，业内分析表示，除了互联网人口红利的逐步消失，还因为目前的消费需求越来越分散、多元化，对应这些消费行为的变化，会有很多中小在线旅游企业在特色领域、垂直领域快速成长起来，细分化、个性化将成为在线旅游发展趋势。

（2）研究的目的意义

面对繁杂的旅游产品信息，需要一个更“聪明”的机制来帮用户筛选适合自己的个性化产品，各大传统OTA们也需要这样一个机制来深度了解用户，实现精细化运营，破除用户流失的风险。但是目前的个性化推荐系统多应用于电子商务、电影和视频、音乐等领域，对在线旅游行业推荐系统的研究甚少。个性化旅游推荐系统和其它的推荐系统相比，旅游推荐系统有自己的特点。从数据上来说，大部分用户一年中旅游的频率只有一两次，对于每个个体来说产生的数据非常有限。另外旅游项目不像推荐的书，音乐一样，它包含的信息非常复杂，这也就使得旅游的相关信息数据会更加庞大，旅游的类型、线路、住宿、交通等组成了巨大的旅游信息库。

正是由于上述的难点，现在国内旅游系统的推荐算法应用并不完善，这导致无法满足用户日益增加的个性化旅游体验需求。基于此背景，本文提出了构建个性化旅游推荐系统模型，设计实现个性化旅游推荐系统的思路，为现在的旅游信息系统发展个性化推荐时提供一定的借鉴意义。

（3）国内外研究现状

通过文献收集阅读，发现个性化旅游推荐的国内外研究方向大致分为3种：单个旅游产品推荐、旅行包推荐和旅游线路推荐。细分的研究分成下几个角度：

l 依托聚类算法。吴军等将用户的特征和项目的属性考虑到了协同过滤算法中，用来缓解推荐系统的冷启动问题，将聚类算法与协同过滤进行融合，在聚类簇中，进行协同过滤的推荐，用来解决推荐系统中的可扩展性问题。

l 特征标签处理。Kofler等利用标签法，采集了Fliker的34206张照片的元数据（标题、地理位置、所有者等），对照片进行了标签处理，然后创建了索引和搜索，用户先选择目的地，系统对目的地的相关旅游景点照片分组生成照片集，然后计算各个组之间的相似性，最终，推荐给用户。

l 基于用户行为采用协同过滤算法进行推荐。Hwang等建立了一个构建景点数目的偏好向量矩阵，这种方式，构建了用户与景点之间的评分矩阵，采取协同过滤方法来预测用户对景点第评分值，再结合用户与景点之间的距离，结合了评分值和距离做出推荐选择