随着“互联网+”不断为旅游业赋能,并由机器学习、大数据从软件层面为旅游业发展提供动力,对传统的旅游领域带来了深刻的变革,在由旅行社主导的传统的跟团游之外,个性化出游愈加的成为人们的出游选择,同时在线旅游整合旅游景点门票、酒店、餐饮、游玩资源的线上销售模式中,产生了大量的游客行为数据,如何对这些数据进行准确的收集获取,进而对用户偏好进行细粒度的捕获成为亟待解决的问题。由于现有的序列推荐算法大多着眼于从整个交互序列提取单一的向量表征用户偏好,对其他辅助信息难以做到充分利用。本文首先针对在线旅游领域的特殊性,选用自注意力机制和商品分类信息的序列推荐方法实现对旅游电商平台的高性能推荐。同时随着游客行为数据的激增,在构建推荐服务时,推荐模型的训练在单机模式下难以满足数据量和时效的需求。为解决上述问题,引入分布式流式处理模式,将游客行为数据建模为时序数据模型,提出了一种基于Spark生态系统的分布式流式推荐模型,运用变分推断结合隐因子模型进行商品推荐。本文的主要工作和贡献如下:（1）为实现游客行为数据的收集工作,实现了基于Flume+Kafka+Spark Streaming的游客行为数据的接入服务,并构建游客行为大数据云平台,运用可视化技术,实现对旅游行业的大数据分析监控。同时在充分分析、整理和研究的基础上,经过脱敏处理后,提取有效字段,分析游客行为特征,构建了基于游客行为的旅游推荐数据集。（2）提出了面向旅游电商领域的基于自注意力机制和商品分类信息的序列推荐算法（Self-attention based Multi-hop Sequence Recommendation for Tourism E-commerce,SATMSRec）,STMSRec充分考虑用户交互序列间的时间间隔和序列的绝对位置对输入序列运用自注意力机制进行特征处理,随后将序列输入GRU网络学习全局偏好,然后结合商品层次性分类信息构建多跳推理模型学习多跳偏好,以达到多层次对用户偏好进行捕获。（3）为解决海量数据的训练任务同时适配旅游流式场景,依托Spark生态,提出了基于时序变分推断的流式推荐模型（Temporal Variational Inference based Distributed Tourism Streaming Recommender,TDTSR）,使用Mongo DB和HDFS作为分布式数据存储,通过Spark RDD进行数据的流式输入处理,流式推荐模块在深度贝叶斯学习范式下结合深度因子分解模型,运用GRU神经网络结合变分推断构建预测过程,最后将模型运行于Spark On Tensorflow下实现并行化训练。