信息技术和互联网的迅速发展改变了旅游领域,旅游住宿数据呈指数级增长,推荐系统成为克服旅游住宿领域“信息过载”问题的实用工具。然而,由于旅游领域的性质,旅游住宿推荐系统也面临着挑战:一是在海量旅游住宿数据中,用户和酒店的交互信息稀缺,存在严重的数据稀疏性和冷启动问题,二是当用户身份标识不可见时,传统推荐算法不再适用,往往需要基于用户行为序列数据进行会话推荐。深度学习技术的出现为推荐系统的研究带来了新的机遇。本文通过深度学习模型提取辅助数据的深层潜在特征,应用于旅游住宿领域中的评分预测推荐和会话推荐。本文的主要研究内容如下:（1）结合酒店图像特征进行旅游住宿评分预测推荐。目前基于图像的混合推荐算法大都基于特征相似度进行推荐,而没有在评分预测推荐中融合图像的潜在特征。本文利用深度神经网络提取酒店图像的深层特征,挖掘用户和酒店之间的潜在关系,并针对项目冷启动情况扩展了图像数据与矩阵分解模型的结合方式。通过在爬取的真实旅游住宿数据集上的实验表明,该模型提高了评分预测的精度,有效缓解了新商品冷启动和数据稀疏性问题。（2）结合酒店评论文本特征进行旅游住宿评分预测推荐。目前结合文本信息的混合推荐算法往往忽略了文本的深层语义,并且没有考虑用户评论是发生在用户和商品交互之后的实际情况。本文通过扩展BERT深度学习模型抽取评论文本中用户和酒店的深层向量表示,并在神经协同过滤框架下构建评分预测与评论向量预测协同网络,挖掘用户和酒店的深层交互特征。通过在爬取的真实旅游住宿数据集上的实验表明,该模型具有更好的评分预测表现,缓解了数据稀疏性问题。（3）结合酒店属性标签特征进行旅游住宿会话推荐。经典的会话推荐算法如GRU4Rec模型只考虑了会话中的用户行为序列而忽略了项目的属性标签信息,在应用到旅游住宿推荐任务中时不能充分挖掘到酒店的潜在特征。本文通过自动编码器模型提取酒店属性标签的隐因子向量,并将其融入到用户行为序列推荐中,充分利用了酒店的属性标签信息。在真实旅游住宿数据集上的实验表明,两种利用酒店属性标签信息的会话推荐模型在Recall@20和MRR@20两个评价指标上均具有较好的表现。