随着互联网技术的不断发展,人们虽然可以享受到海量信息带来的优势,但也存在信息过载的弊端。随着个性化推荐系统的出现,推荐系统可以帮助人们进行信息过滤,从海量数据中筛选出符合用户偏好的有用信息,并在不同的方面如生活资讯类、交通出行类、视频电影推荐类等得到广泛的应用。本论文聚焦于旅游景点推荐,利用深度学习在用户历史景点序列数据上分析建模。历史序列数据即用户曾评价过的一系列按时间顺序排列后的景点特征,其不仅蕴含着景点本身及类别信息,由此形成的序列关系也蕴含丰富的隐信息。通过对现有模型的分析,对于旅游景点推荐,了解用户历史序列的位置关系,对于了解用户景点偏好的先后顺序至关重要。通过融合多头自注意力机制,不仅能够充分提取历史序列的特征信息关系,而且可以解决序列过长时,序列之间的依赖问题,除此之外如何从序列之间提取用户显式和隐式偏好信息也十分重要。基于此,论文提出了两个推荐算法模型,并将算法与旅游景点推荐系统相结合,主要工作如下:（1）论文提出DCMPN（Deep Convolution and Multi-head self-attention Position Network）模型,利用卷积神经网络的方法采用水平和垂直过滤器的方式提取用户历史兴趣特征信息,再将得到的信息与候选景点信息交互,通过多头自注意力机制对历史兴趣序列的位置信息进行提取,将融合位置信息的历史特征再与候选景点做注意力交互进行计算历史特征权重。最终模型实现了用户序列兴趣的深入化以位置特征信息的融合,实现对用户重要偏好度和一般偏好的提取以及特征权重间的分配。（2）论文还提出了一个考虑了特征之间交互的模型DIDFN（Deep Interest and Dual Features extract Network）,根据输入目标项的不同,可以动态学习历史特征重要性,突出历史序列中某些样本的独特性。模型通过向量级和元素级的两个层面实现对序列特征的显式和隐式提取,并对提取到的结果重新赋值作为二阶特征交互因子分解机的新输入,并结合历史序列特征与候选目标做注意力交互机制一起送到全连接层进行连接打平、激活函数学习等操作,最终实现对用户可能喜欢的景点做推荐。（3）基于论文提出的两个模型,在私有数据集以及公开数据集上做验证,并与常见的一些先进模型作对比,实验结果表明,论文提出的两种模型都可以不同程度的实现预测效果的提升。并且论文在已提出的推荐算法的基础上,设计实现了一个旅游景点推荐系统,通过系统功能的页面展示,真实直观的展示了论文提出模型的应用点。