“智慧旅游”伴随着互联网技术的发展,在协调用户需求和旅游资源配置等方面起到了至关重要的作用。推荐系统的应用为智慧旅游带来了全新的解决方案。然而随着互联网中旅游数据爆炸式地增长,传统旅游推荐算法面临着诸多挑战,如推荐精确度差,个性化程度低等问题。针对上述问题,本文研究了推荐算法中的协作过滤技术在旅游领域的应用,以及多数据源环境下的旅游推荐算法。主要工作如下:(1)首先,总结了推荐系统的发展历程,梳理了国内外专家对推荐系统方面的贡献,介绍了主流的推荐算法以及实现方式,探讨了相关算法的优劣性,介绍了相关推荐系统的评价指标以及当下亟须解决的问题。(2)其次,研究了个性化旅游景点推荐服务问题,针对当前旅游推荐系统中的数据稀疏性问题,提出综合景点特征及景点评分的协作过滤算法,算法改进了推荐过程中相似度计算方式,结合景点特征数据源和景点评分数据源得出全局相似度,在一定程度上缓解了数据稀疏性,提高了推荐系统的精确度。(3)最后,研究了多数据源环境下的旅游推荐算法,针对传统单一数据环境下的数据稀疏性和冷启动等问题,提出了多数据源融合的旅游推荐算法,算法基于改进张量分解的思想,利用辅助数据源评估目标数据源的全局相似性,缓解了目标数据源由于评分缺失导致的推荐精确度低等问题。本文提出的算法均在真实的数据集上进行了相关的验证。针对本文提出的个性化旅游线路算法,实验结果表明,算法可以在行驶距离和行进时间等方面获得更好的结果。在多数据源领域,本文算法有效缓解了由于目标数据源评分缺失导致的推荐精确度低,个性化程度低等问题。