个性化旅游推荐系统是基于海量数据挖掘的智能旅游推荐平台,为游客提供个性化的旅游景点推荐和出行前的路线决策支持。现有推荐系统存在冷启动和可扩展性导致推荐内容准确率低的问题。而个性化旅游推荐系统存在的数据稀疏性问题尤其明显。论文从聚类算法和混合推荐入手,研究如何有效提高旅游线路的推荐效果。主要内容如下:针对K-means算法中影响聚类效果的两个主要问题:聚类数的不确定性以及初始聚类中心的随机选取,论文提出了基于核密度估计的DGKDK算法。算法采用核密度估计进行数据预处理,通过衡量平均类间相似度来确定初始聚类中心,执行K-means聚类分析。使用UCI数据集将DGKDK算法与其他改进算法进行聚类分析对比,DGKDK算法在准确性方面优于其他算法,并且在数据量大的情况下具有更好的时间性能。论文将DGKDK算法应用于协同过滤推荐中,并使用GroupLens提供的MovieLens数据集进行仿真实验,实验结果表明改进算法的推荐效果更符合实际,并且能有效改善时间效率。针对个性化旅游推荐算法中影响推荐效果的冷启动和可扩展性问题,论文结合改进的协同过滤推荐与基于内容的推荐提出了一种混合景点推荐的DCF-FSCB景点推荐算法。论文引入遗忘策略建立用户偏好模型,能更准确的预测用户喜好。调节遗忘系数,可以使DCF-FSCB景点推荐算法更好的进行景点推荐。实验结果表明DCF-FSCB算法的景点推荐准确率更高。论文根据景点游玩时间和地点等约束条件将由DCF-FSCB景点推荐算法得到的景点列表进行路线规划,提出了多约束的混合旅游路线推荐算法。设计了旅游路线推荐系统,采用论文提出的多约束的混合旅游路线推荐算法来获得推荐的旅游路线。根据用户的历史信息和与系统的交互信息完成旅游路线的推荐。