近年来，得益于移动互联网的不断发展，人们的日常生活以及工作越来越方便。在旅游出行方面，人们可以通过网络来获取相关旅游服务信息。然而随着网上用户的增长，使得互联网的数据急剧增加，用户需要耗费大量时间去查询相关的旅游信息，造成了极大不便。推荐系统可以有效地处理上述存在的“信息过载”问题，为用户提供兴趣点推荐服务。
　　在旅游推荐领域中，传统的兴趣点推荐算法虽然取得了良好的效果，但这些方法比较依赖浅层特征设计，不能全面地学习用户和兴趣点的深层次特征，并且传统推荐模型存在数据稀疏和推荐效率低等问题，会影响推荐的结果。针对上述问题，本文使用基于神经网络的兴趣点推荐来解决这些问题，该方法通过知识图谱和上下文等信息分析用户的偏好来为用户做出兴趣点推荐，进而提高推荐的效率，具体的内容如下：
　　1．针对个性化推荐算法中不能有效地学习用户和景点深层次的特征，在训练的过程中不能有效地训练景点的特征而造成推荐结果不理想的问题，本文提出了一种融合知识图谱和神经网络的旅游景点推荐方法。该模型先是利用知识图谱嵌入技术准确地学习景点特征子图的嵌入表示，然后融合景点特征表示成景点向量，并与用户向量一起输入到神经网络中，进一步挖掘用户和景点交互的深层次的特征表示，使得推荐结果更加准确。通过理论分析和实验结果，证明了该算法的有效性。
　　2．针对兴趣点推荐中存在的旅游数据稀疏，不能很好地区分用户的朋友对用户的偏好的影响，同时忽略了兴趣点隐式特征对用户决策影响的问题，本文提出了基于上下文影响的兴趣点推荐模型。该模型先是利用用户上下文模块分别计算出用户的朋友在兴趣爱好方面和整体熟悉程度上的不同权重,以获得用户的向量表示；其次，通过兴趣点的上下文模块分别计算出地理距离和兴趣点隐式特征信息对游客偏好影响的权重，从而获得兴趣点向量；最后结合用户向量和兴趣点向量来预测出用户未访问过的兴趣点。通过与基线方法比较，证明该算法具有更好的推荐性能。