随着我国经济实力的大幅度提升,互联网与旅游业快速发展,在线旅游业不断兴起。用户可通过互联网浏览各种各样的旅游信息。但是,日趋严重的信息过载现象,导致用户要检索符合自己兴趣的旅游信息犹如大海捞针。面对互联网上海量的旅游信息,用户需要花费大量时间对搜索出来的信息进行分析整理,检索效率非常低。而旅游推荐系统是解决这一问题的有效技术。　　旅游推荐系统根据用户的需求与偏好为用户推荐旅游产品。然而,“大容量”、“低密度”的大数据时代的逐渐兴起对推荐系统的性能提出了更高的要求。事实上,旅游是一种需要密集信息,但是产生的数据却很稀疏的行为。比如:人们在旅游前、旅游中都会涉及到食、住、行、游、娱、购等六个方面的信息;人们很少会重复一条旅游线路多次;一个用户实际去过的地方不多,两个用户之间去过的景点的交集更是少,等等。另外,旅游还是一种满足旅游者的个性化需要,却同时体现社会群体中旅游者之间相互影响的行为。比如:旅游者的某一次旅游一定是为了满足自己的需要而启动的;旅游者的某一次旅游行为的启动很可能是因为受到其他旅游者的影响。因此,如何有效地理解在线旅游用户的需求与偏好?如何有效地根据其他旅游者的行为进行旅游产品推荐?这是旅游推荐系统的两个很重要的基础问题。　　针对以上两个问题,本文的贡献在于以下三个方面:1)分析了旅游推荐系统的现状,提出了旅游推荐系统的模型,对智能旅游推荐进行了较详细的综述;2)通过分析用户的在线隐式浏览行为,提出了一个用户偏好模型,并将此模型结合 Markov预测模型,提出了一种基于偏好分析预测用户将要浏览的景点的方法。实验结果表明:该偏好模型能够有效地获取用户的景点偏好,由此提出的预测方法取得了比其他算法更高的预测准确率,能对用户将要浏览的景点做出有效的预测;3)通过分析用户对景点的评分、用户与用户之间的社会关系以及景点之间的标签关系,提出了一种基于社会关系与景点标签的协同推荐方法。实验结果表明:该方法能有效利用其他用户对景点的评分以及景点间的标签关系改善不能预测评分,以及对于不同类型的景点,用户给出的评分可能不具有可比性的情况。不仅提高了算法预测的覆盖率,而且还能减少预测评分的整体误差。