目前的旅游网站上,大多是对热门景点的推荐,尤其是对于旅游路线的推荐,基本都是基于若干个热门旅游景点的旅游路线,并没有根据用户的自身情况如兴趣偏好,预算等,为用户推荐相关的旅游路线方案。为了解决上述问题,促进推荐算法在旅游领域更好地落地,首先根据用户的历史评分数据进行数据分析,挖掘用户若干个潜在的兴趣景点,并构成候选景点集合,根据用户自身的行程时间、费用预算等情况,为用户推荐旅游路线。在推荐算法领域中,基于领域的推荐算法较为简单,容易应用,可以为推荐提供解释,但是扩展性不强,常常会因为冷启动和数据稀疏性等问题导致推荐的准确度降低;基于模型的推荐算法在实践中拥有较高的准确率,但是在训练模型的过程中需要花费较长的时间且模型参数的调整较为复杂。为了消除单独使用这两类算法的不足,并结合各自的优点,在挖掘用户潜在兴趣旅游景点的过程中,考虑使用混合预测的方法,通过将多种方法按照一定的方式进行混合使用,从而提高推荐结果的质量。BiaseSVD算法注重考虑全局数据的影响,而K近邻算法注重局部数据的变化,对加入的数据能够及时响应。为了充分考虑两种算法的优点,本文通过对爬取的数据进行处理,提出基于BiaseSVD和K近邻算法的混合推荐算法,通过BiaseSVD得出的用户评分偏差和景点得分偏差来计算皮尔逊相关系数,基于该皮尔逊相关系数使用K近邻算法进行预测,并将结果进行加权。与传统的K近邻算法以及矩阵分解算法所得出的实验效果相比,有效地提高了推荐算法的准确率。本文通过潜在兴趣旅游景点挖掘所构成的候选景点集合,考虑多种因素,根据用户情况推荐个性化的旅游路线。考虑推荐算法在旅游领域的实用性,一条流行的旅游路线或是包含多个用户潜在感兴趣的旅游景点的旅游路线可能让用户更加满意。尤其是在陌生地点的情况下,用户往往更需要一个完整的旅游行程方案,即一系列有序的景点,而并不是一些相互之间不存在联系的若干个旅游景点,为此旅游路线推荐更具有现实意义。考虑到基于地理信息的位置进行推荐时,对于旅游景点和旅游路线推荐所面临的一个难点就是需要考虑多种影响因素,以实现提高推荐结果的正确性来更好地满足用户需求。通过使用爬取的旅游景点数据集,同时考虑用户的偏好、费用、时间等因素,来向用户推荐个性化的旅游路线,并进行多角度的实验对比,来验证本文模型的实际效果。一方面有效地促进了旅游景点推荐算法在实践中的落地,另一方面,通过为用户推荐旅游路线,企业可以更好地为用户安排相关的旅游配套服务,包括餐饮、住宿、交通等,进一步挖掘用户所带来的旅游价值。