互联网信息通信技术的革命对旅游业产生了深远的影响。在互动旅游中,游客越来越倾向于使用在线旅游网站来帮助他们找到目的地。旅游管理系统在规划完美的旅游中起着基础性的作用,并允许系统用户访问相关的旅游产品细节。旅游推荐系统根据游客的喜好为他们提供推荐,帮助他们安排休闲和旅游计划。获取相关和准确的信息是旅游业的核心,信息过载已成为一种普遍现象,因此对于那些寻求适当信息的人来说是一个严重问题。此外,关于如何获取旅游网站上的信息更有效,人们进行了各种各样的研究。因此本文的目标是解决信息过载及冷启动问题,从而在企业旅游网站中为用户精准个性化推荐针对旅游需求的旅游产品。本研究借助信息觅食理论,以在线用户浏览行为数据作为研究数据,对“基于用户浏览行为的个性化旅游产品推荐研究”这一问题进行系统研究。本研究的研究思路为:理论研究——模型构建——实证检验。首先,本文梳理基于用户浏览行为的协同推荐相关研究成果,探索在线旅游网站用户不同浏览行为是否会对旅游产品选择发挥不同的作用。其次,探索基于信息觅食的改进聚类模型对用户行为特征降维并聚类可视化,确保个性化的旅游觅食信息能够被目标旅游用户快速选取,从而成功将潜在的客户转化为推荐系统的用户。最后,为了使噪声程度降到最低以提高推荐准确度,对比相关机器学习分类算法及交叉性验证并增加变量的可解释性。最终,本文研究发现:（1）不同用户浏览行为等信息补丁对用户信息觅食的旅游产品选择具有不同影响。（2）PCA-Kmeans聚类算法,缓解了高维评分矩阵的稀疏性并提高了预测精度。同时通过用户对旅游产品评分及满意度评分匹配可以找出每个类别里最受欢迎的旅游产品,从而为新用户做更为精确的个性化推荐;（3）集成分类中的随机森林算法使分类准确度达到最优,降低了旅游推荐系统中的用户冷启动问题,提高个性化推荐的质量。