近年来,旅游行业快速发展,网络空间中的旅游信息呈现爆炸式增长。庞大且复杂的旅游数据资源,导致信息过载。用户无法及时准确地从海量旅游数据中选取满足自身实际需求的信息。而推荐技术为解决这一问题提供了一个切实可行的方案。但是,传统推荐算法主要是通过用户与项目的交互行为进行建模,出现评分数据过于单一,用户项目评分矩阵数据稀疏和浅层学习能力不足等问题。这些问题严重影响推荐的质量和用户的使用体验。本文利用深度学习发现潜在联系的能力,深入挖掘用户与项目之间的多重复杂关系,为推荐算法提供可靠的数据来源,缓解数据稀疏问题,并进一步提升推荐的准确度。本文主要研究内容如下:（1）针对传统推荐算法中用户与景点交互数据稀疏,以及信息利用不充分的问题,提出基于属性感知的图神经网络（Attribute-aware Graph Neural Network,AGNN）旅游景点推荐模型。由于用户的旅游决策会从多个方面联合考虑,旅游景点拥有丰富的属性信息,从属性层面挖掘用户对景点的兴趣,能够更加精准地获取用户偏好。本模型首先通过景点间的属性关系构建景点之间的网络图,通过用户和景点的交互行为构建用户与景点的网络图。利用图神经网络学习与提取多重网络图的结构和信息。其次,由于用户与景点各种交互行为对用户偏好的影响程度不同,以及景点与景点之间的关联程度不同,因此选择注意力机制来解决这一问题。然后,利用多层感知机将用户与景点嵌入表示进行融合,并使用融合后的嵌入表示完成后续推荐任务。最后,运用Scrapy爬虫技术获取旅游网站中的景点数据,将AGNN与传统推荐算法和主流推荐算法进行实验对比。实验结果表明,AGNN模型在RMSE和MAE评价指标上均有显著改进。（2）针对用户兴趣随时间推移而改变,进而造成推荐准确性低的问题,提出融合多特征的门控图神经网络（Gated Graph Neural Network via Multi-feature Fusion,GGNNMF）旅游景点推荐模型。本模型首先按照时间顺序构建景点会话图和对应的景点属性会话图。使用门控图神经网络提取会话图中的时序信息以及用户的长短期兴趣,引入注意力机制来区分局部邻居节点的贡献程度。其次,通过单模投影将用户与景点的网络图转化为用户与用户的关系图,得到用户嵌入表示。然后,将景点嵌入表示与用户嵌入表示共同学习得到准确的会话表示。最后,在爬取的旅游景点会话数据集上,将GGNNMF与传统推荐算法和会话推荐算法进行实验对比。实验结果表明,相较最优的基准模型,GGNNMF模型准确性和推荐效果均有提升。