随着经济的迅速发展和人们生活水平的不断提升,旅游已经成为休闲娱乐的重要方式。针对不同旅游场景,用户对旅游推荐系统的需求具有多样性,例如,一些用户希望在线旅游平台提供个性化的旅游套餐服务;一些用户希望推荐的旅游套餐具有可解释性,并同时考虑偏好的动态性;一些用户在陌生的城市旅游,需要制定同时满足时空约束和个性化需求的旅游行程;结伴旅游的用户希望旅游行程满足群组中大部分用户的需求。在以上旅游场景中包含了大量的异质信息,体现在多方面:（i）旅游数据的类型包含连续的,也包含离散的,可以是静态的,也可以是动态的,可以是结构化的,也可以是半结构化的,可能是完整的,也可能是缺失的;（ii）旅游数据涉及用户侧、物品侧和全局侧;（iii）旅游主体可以是用户也可以是群组。如何从这些异质信息中挖掘用户的在线行为特征、地理位置信息和线下移动轨迹数据,全面洞察旅游场景中用户多样性的旅游需求和偏好,是旅游推荐系统亟待解决的重要问题。针对这些问题,本文的研究工作主要包括:（1）提出了一种基于矩阵分解和特征融合的旅游产品推荐模型。已有研究存在只考虑用户侧和物品侧特征,忽略全局特征或者仅将全局特征建模为评分函数的偏差值等问题。有鉴于此,本文综合考虑用户侧、物品侧和全局特征,结合用户-物品交互矩阵和多种辅助特征,进行旅游产品推荐。同时,该模型可以看作一种基于全量数据的学习框架,利用缺失数据更新线性回归模型和概率矩阵分解模型的参数。此外,本文还探索了特征的重要性,以揭示旅游产品推荐中关键性的辅助信息。（2）提出了一种基于用户动态偏好和意图识别的旅游产品推荐模型。旅游数据中,用户的偏好是随时间变化的,并且除了点击过的旅游产品,用户的购买意图也会通过其他监督信号来识别。有鉴于此,我们将旅游产品标题中包含的关键词看作额外的监督信号,来学习相似产品中包含的共同意图,提出了一种多任务学习方法,将基于用户动态偏好的旅游产品推荐与识别用户意图的关键词生成任务相结合进行建模,可以提高推荐性能,并提升推荐结果的可解释性。同时,该模型在旅游产品推荐和关键词生成任务中都考虑了用户的长短期偏好。（3）提出了一种融合文本信息的深度协同个性化行程推荐模型。现有算法通常忽略个性化行程的时空约束或者仅通过兴趣点（Places-of-Interest,简称POI）类别信息建模用户偏好,会造成POI类别冷启动问题。有鉴于此,采用无监督深度学习模型同时学习POI文本信息和POI类别的表征,并集成POI文本信息、POI类别信息和用户-POI交互信息,预测用户对POI的兴趣程度和个性化停留时间。然后,将个性化行程推荐问题看作定向问题的变体,提出了一种基于迭代局部搜索算法进行求解,得到最优化的旅游行程。（4）提出了一种基于注意力机制的群组行程推荐模型。传统的群组行程推荐方法大多采用预定义的偏好聚合策略,而不考虑群组成员不同的特征和交互关系。此外,POI文本信息有助于学习群组的总体偏好,也很少被考虑。有鉴于此,提出了一种基于注意力机制的群组行程推荐模型。该模型通过注意力机制动态学习群组成员之间的交互,并且获得群组成员偏好和群组总体偏好。同时,该模型通过另一个注意力网络学习POI文本信息和类别信息的表征。最后,将预测的群组总体偏好应用到定向问题的变体中,提出一种基于迭代局部搜索算法求解群组行程。该模型也可以将群组总体偏好替换成群组成员偏好来解决个性化行程推荐问题。