近年来,随着人民群众的收入水平越来越高,旅游变成了国民们一种新的生活方式,旅游极大程度地丰富了国民的业余生活;另一方面,旅游也拉动了经济的增长,给社会增加了就业机会。然而,互联网上众多的旅游信息在丰富了游客出行选择的同时,也带来了信息过载的问题。因此,个性化旅游推荐是各类旅游网站或APP未来的发展趋势。中国有许多的古村落,这些古村落或散发着独特的地区文化底蕴,或记载着历史文化的变迁,它们是岁月的化身。然而,在现代化的发展进程中,古村落正在慢慢消失。如何让更多的游客了解古村落,去到合适的景点旅行,充分考虑游客的偏好风格,增加游客对古村落的好感度,从而保护好这些正在慢慢消失的“历史遗迹”,变得极为迫切。本文基于协同过滤算法研究了面向古村落旅游的推荐模型,具体工作主要包括三个方面:一、提出了相似度传递的协同过滤算法。为了改善数据稀疏性对Item-Based协同过滤算法的影响,本文利用游客-景点评分矩阵(即User-Item矩阵)对不同的古村落旅游景点进行可信关系建模。通过这种可信关系,对古村落景点之间的相似度进行传递,改善相似度计算不准确甚至无法计算的问题,最终达到提高推荐质量和准确度的目的。二、提出了融入时间权重的隐语义模型。一般而言,可以通过矩阵分解的方式来改善数据的稀疏性问题(降维),隐语义模型LFM就是矩阵分解模型中的一种。但是,旅行游客用户的兴趣偏好往往不是固定不变的,而隐语义模型却忽略了游客用户的兴趣喜好随时间变化的问题。本文通过对推荐准确度的评价标准RMSE进行改进,利用最小化改进后的RMSE来对模型进行求解,以适应游客用户的兴趣偏好随时间变化的问题。三、提出了混合模型推荐方法。针对协同过滤算法中数据稀疏导致古村落景点之间的相似度计算不准确甚至无法计算的问题,我们在相似关系传递后加入了基于古村落特征向量的相似关系,其中,古村落景点的特征向量通过隐语义模型进行求解,已达到修正相似度的目的;针对融入时间权重的隐语义模型中信息丢失的问题,我们直接将其与基于相似度传递的协同过滤算法进行融合。但是,由于参数过多出现了占用内存空间大、过度拟合等现象,所以对该模型进行进一步的优化,最后通过不断迭代对模型进行求解。本文针对古村落评分数据的稀疏性和游客兴趣变化等问题,进行了一系列算法研究,并通过实验验证了算法的有效性,对古村落旅游的推荐工作具有深远的理论及现实意义。