互联网的迅速普及和发展不断改变着人们的生活方式,成为现代社会不可或缺的重要组成部分,给人们的生活和工作带来了极大的便利。随着互联网技术的快速发展,引入了大量用户的介入,使得互联网上的数据量呈指数增长,用户在检索自己感兴趣的旅游信息时往往需要花费大量的时间成本,给用户在制定旅游规划时造成诸多困扰。推荐系统可以有效地解决数据量过大造成的问题,帮助用户找到符合自己偏好的旅游信息。在旅游推荐领域,传统的推荐算法虽然取得了良好的推荐效果,但是因为大数据时代的兴起,推荐系统仍存在着数据稀疏性和特征学习不准确的问题,以及基于序列建模推荐算法中忽略用户访问景点序列中的语义信息,不能准确地学习用户和景点特征表示,导致推荐准确率低的问题。为了改善这些问题,本文设计了基于序列挖掘的旅游景点推荐算法,以提高旅游景点推荐的准确性。具体涉及的工作如下:（1）针对基于序列建模的推荐方法忽略用户访问景点序列中景点之间复杂的语义信息传播的问题,提出了一种融合图表示学习和序列挖掘（GRL-SM）的旅游景点推荐方法。该方法利用图神经网络对用户访问的景点序列进行建模,获取景点间传播的复杂序列语义信息。此外,该模型考虑了用户在旅游过程中的偏好会随时间变化这一特点,并利用注意力机制获取景点序列中蕴含的用户的长短期偏好,进一步精确地获得该序列用户的偏好特征表示,从而为用户提供个性化的旅游景点推荐服务。（2）针对基于序列建模的推荐方法忽略了访问序列中景点的上下文信息和位置信息（序列中出现的次序）的问题,本文提出了一种融合上下文和位置信息（F-CPI）的个性化景点推荐方法。该方法利用注意力机制对访问序列中景点进行重新表示,生成引入上下文信息的景点向量,同时通过引入位置向量对访问序列中景点的位置信息进行建模,然后将这两个向量组合计算生成序列中每个景点的注意力权重,最后计算出表示用户的偏好特征表示。该模型同时引入了上下文信息和景点的位置信息来提高推荐性能,并在真实旅游数据集上取得了较好的结果。