旅游业对促进国民经济增长和提高人民生活质量具有举足轻重的作用。随着我国经济的发展和人民生活条件的改善,我国旅游行业进入快速发展期。同时,移动互联网、位置感知技术以及大数据技术的普及和发展,在旅游过程中人们来越来越希望通过移动终端在线获取个性化旅游信息和服务。例如,在线预订心仪的景区门票或搜索附近偏爱的酒店和餐馆;在线制定符合个人旅行约束和偏好的游览路线或行程等等。实现以上个性化旅游信息服务的关键是,有针对性地提出与旅游相关的个性化位置服务技术和方法。然而,面向旅游或城市出行的个性化位置服务研究相对滞后,导致位置服务质量较低和旅游信息过载等问题。不但影响了游客旅游体验,也阻碍了旅游行业的进一步发展。由于旅游个性化位置服务技术和方法所具有的巨大经济和社会价值,该领域近年受到了工业界和学术界的广泛关注。在实际应用中,旅游个性化位置服务类型主要分为游览路线推荐和兴趣点访问推荐两类。实现这两类服务目前仍然存在诸多研究挑战和困难。在游览路线推荐中,游客的真实旅游行为丰富但难以获取,导致系统对游客细粒度偏好学习不够准确;其次,现有游览路线推荐方法难以综合考虑游客复杂多样的个人游览上下文约束,导致推荐的游览路线个性化程度不高。在兴趣点访问推荐中,多源异构的旅游数据难以融合表示,导致推荐算法对游客偏好和兴趣点旅游属性的特征学习不够全面,限制了推荐结果的准确性;另外,由于兴趣点推荐中的游客访问行为往往更加稀疏,使得传统个性化推荐方法难以在游客数据稀疏或冷启动情况下有效学习游客与兴趣点的高阶交互特征,导致推荐结果的相关性和个性化程度不高。针对以上挑战,本文具体围绕游客游览行为感知及获取技术、考虑多种旅游约束的游览路线挖掘及个性化推荐方法、个性化兴趣点推荐中的多旅游上下文融合建模方法以及基于多知识联合表示的兴趣点深度推荐模型等方面展开深入研究。本文的主要工作和贡献如下:1.游客的现场游览行为蕴含了其个人偏好和特点。然而缺少游客在具体景点内的现场游览行为数据,现有的游览路线推荐方法难以为特定景区内游客推荐符合其个人偏好和游览约束的具体游览路线。为此,本文设计了一种面向景区的具体游览路线推荐系统,通过研究游客现场游览行为数据获取及挖掘技术解决景区内具体游览路线个性化推荐问题。首先,提出了一种基于物联网和智能手机的游客现场游览行为自动感知获取方法,通过研究游客现场游览行为挖掘方法解决游客细粒度个人偏好学习的问题。随后设计了一种游客行为模式序列挖掘算法TB-PrefixSpan,实现具体游览路线的生成。最后,设计了一种考虑路线游览价值、路线游览时长和路线访问合理性等因素的个性化路线排序推荐方法。在真实环境下的实验证明,本文设计的系统能够面向景区内游客推荐满足游览约束和个人游览偏好的具体游览路线。2.在面向城市或地区的游览路线推荐中,现有推荐方法由于在路线推荐中忽略了真实而丰富的旅游上下文约束导致推荐路线个性化和合理性不高。为此,本文设计了一种基于异质旅游大数据的游览路线推荐系统。首先基于电子地图数据、在线旅游网站游记数据和景点属性数据等多种异质旅游数据,本文设计了景点知识库和海量结构化景点访问序列的构建方法。随后,基于已构建的旅游大数据,本文提出了景点访问序列模式挖掘算法PV-PrefixSapn挖掘频繁景点游览路线。最后,在考虑查询游客的游览时长、同伴类型、出游季节和偏爱的景点类型等多种旅游上下文约束的情况下,设计了个性化游览路线排序推荐方法。真实旅游数据集上的实验结果验证了该系统在推荐个性化景点游览路线的优越性。3.在兴趣点推荐中,推荐方法构建游客和兴趣点潜在特征表示的质量决定了推荐结果的质量高低。然而,由于游客历史访问轨迹中仅包含兴趣点访问时空语义,传统方法难以同时考虑游客个人旅游约束、兴趣点属性等其他异构旅游上下文。为此,本文提出了一种多上下文神经建模框架(NeuralMulti-ContextModelingFramework,NMMF),从多种旅游上下文中统一建模游客和兴趣点的特征表示。针对图结构的兴趣点属性上下文和序列结构的游客访问轨迹上下文,本文分别设计了TKG2vec和Traj2vec上下文嵌入模型,有效学习兴趣点旅游属性和游客访问序列特征表示。随后,本文设计了特征融合策略实现两个模型学习特征向量的高效融合,以此构建游客和兴趣点的高质量完整特征表示。真实旅游数据集上的实验结果表明,该建模框架在两种兴趣点推荐任务中均优于两类基于上下文建模的兴趣点推荐方法。4.如何从交互数据中学习用户和项目特征表示是个性化推荐的研究重点。然而,兴趣点推荐领域中用户访问行为往往比其他推荐领域更加稀疏,使得传统个性化推荐算法难以在兴趣点推荐中取得理想的效果。为此,本文在研究将多种知识引入深度推荐模型方法的基础上,提出了一种基于多知识联合学习的兴趣点深度推荐模型(Multi-KnowledgeEmbeddingPOIRecommendationModel,MKERM)。首先设计针对异构数据的知识预训练模型,实现兴趣点属性知识和用户行为序列知识的表示与融合。接着,为了高效的构建兴趣点和用户的完整语义特征表示,分别设计了兴趣点多知识图卷积网络和用户偏好动态编码网络。最后,设计了学习正负例兴趣点对偏序关系的模型目标函数,提高模型对用户与兴趣点间高阶交互特征的学习能力。实验结果表明,在用户数据稀疏情况下该模型的个性化兴趣点推荐性能优于对比的基线方法。