互联网的飞速发展使得大量的信息涌入到人们的生活之中,使人们的生活变得更加方便的同时也出现了信息过多的问题,因此人们需要对信息进行筛选,推荐系统由此产生。推荐系统可以满足用户的个性化需求,提高用户获得有用信息的效率。推荐系统被推广到多个领域之中,旅游景点的个性化就是其中之一。协同过滤算法是推荐系统比较常用的推荐算法,但是协同过滤算法自身有一些限制条件使得它不能够完全应用于旅游景点的推荐之中,需要在传统的协同过滤算法的基础上进行改进,才能够更好的满足用户的旅游景点个性化需求。本文介绍了旅游景点推荐的相关研究,分析得出旅游景点的推荐系统问题非常值得研究。介绍了推荐系统的发展背景,并总结了各种推荐算法的优缺点,根据对比选择了协同过滤算法中的基于用户来进行旅游景点个性化推荐研究。但协同过滤算法存在着数据稀疏性、冷启动等问题,因此要对协同过滤算法进行改进。本文选择了聚类这一方法,并利用实验法来进行研究。首先利用聚类方法中的K-means对数据集的用户进行聚类,然后将聚类结果输入到协同过滤算法之中得到推荐结果,最后将推荐结果与传统协同过滤算法进行对比。实验结果表明,进行了聚类的基于用户的协同过滤算法旅游景点推荐的平均绝对误差要小于传统的协同过滤算法,并且算法的运行时间也小于传统的协同过滤算法,这证明了聚类后的基于用户的协同过滤算法能够适应于旅游景点的推荐,并且要更为准确也更加迅速。本文针对旅游景点推荐系统中的基于用户的协同过滤算法进行改进,使用了聚类方法中的K-means来提高平均绝对误差以及节省了运行时间,该改进能够更好的为旅游景点进行个性化推荐。