随着社会经济技术的不断发展,在线旅游业不断发展壮大,应运而生的在线酒店预订市场也得到了快速的发展,众多互联网龙头企业纷纷加入进来,使得行业竞争加剧。如何突出平台特色同时也为用户提供一个满意的服务成为众多在线酒店预订平台的难题。拥有一个性能良好的个性化酒店推荐系统便可以很好地解决这个问题。本文通过阅读和搜集文献,发现目前对酒店推荐系统的研究中经典推荐算法仍为主力,同时对于用户的隐示反馈挖掘不够,也没有考虑模型实际应用能力。本文针对这些问题进行研究。因为在线酒店预订平台中的用户数量通常大于酒店数量,计算酒店相似度可以明显减少计算量。于是本文采用基于物品协同过滤算法,并在此基础上进行了如下的研究工作:1.本文通过整理阅读文献发现,大部分研究都是利用显示反馈数据对酒店推荐系统进行建模,于是本文首先对国内某在线酒店平台的历史评分数据进行了分析,发现现有研究中被广泛应用的评分数据无法体现用户的个性化需求,所以本文主要对隐式反馈数据进行挖掘建模。2.然而隐式反馈数据无法直接反映用户偏好且隐式行为众多,于是本文创新性的设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新的定义。通过多个实验证明本文设计的隐式反馈偏好评分规则得到了较好的推荐效果,最终实现了一个改进的基于物品协同过滤的推荐算法。3.考虑到用户的基本特征也会对用户预订酒店产生影响,同时考虑到单一算法的局限性以及实时计算对模型的要求,本文考虑加入XGBoost模型。本文利用XGBoost模型重新学习用户特征、酒店特征以及用户对酒店的行为特征,训练得到了一个酒店潜在预订率模型。本文创新性的设计了一个层叠模型,即将酒店潜在预订率模型对改进的基于物品协同过滤算法推荐结果进行过滤,使得模型的推荐效果更加精准,最终本文实现了利用层叠模型构建个性化酒店推荐系统。