旅游业迅速发展,随之而来的是旅游数据的爆发式增长,旅游数据的挖掘和应用会将潜在的关联直观地呈现出来,从而产生更多的知识和价值。旅游数据带来巨大价值的同时也能很好地契合社会需求,针对旅游数据的分析研究对旅游产业具有重要的理论意义和实用价值。本文涉及两个研究内容:旅游产品套餐挖掘与旅游场景分类。针对两类不同的任务分别提出了三种合适的策略:第一种是基于改进效用挖掘的关联规则挖掘;第二种在第一种的基础上通过项目售卖频度情况的与操作(the AND operation),从中获得一组具有共同频繁周期的项目集,即高效益的项目集;第三种是加入自注意模块的生成对抗网络进行旅游场景分类。在这三种策略中,前两种采用了结合数量、利润和热门情况的关联规则进行挖掘,第三种采用深度学习模型处理旅游场景分类任务。本文的研究成果和创新点概括如下:1.在效用挖掘的基础上设计了一种快速效用挖掘算法,首先通过计算每个时间段内的交易加权效益产生候选项目集,再计算每个时间段的实际效益以有效地减少候选的数量,并可以精确、快速地获得完整的高效用项目集。2.文中设计了一种HHUI(The hot and high utility itemsets,热门的高效项目集,简称高效频繁项集),它不仅考虑交易中每个项目的利润和数量,还考虑了旅游产品套餐的热门时间段。并提出了一种两阶段的挖掘方法,以有效地发现HHUI。第一阶段,找到每个时间段内可能的候选HHUI;第二阶段,通过再次扫描数据库以找到候选HHUI的实际效益值。根据实际旅游数据结果表明,该方法是有效的。3.针对旅游场景分类中较远特征利用不足的问题,提出了一种自注意生成对抗网络的旅游场景分类方法。利用生成对抗网络,对图像深层特征进行有效挖掘,同时加入自注意力机制模块对关键特征进行分析,并通过训练后的判别器对旅游场景图像进行分类。结合自建的旅游场景数据库进行实验,对比DCGAN、VAE生成器与SAGAN生成图像IS值,本算法中生成器的生成样本与真实样本的拟合程度更接近;所提出的算法在用时相近的情况下比Alex Net分类精度更高,在精度和速度上均优于VGG-VD19和SSGAN。结果表明:所提算法能够挖掘较远特征,其与传统算法相比具有较好性能。