Lu et al。 [10]基于从地理标注照片中获得的信息为用户提供个性化旅游计划，例如：热门景 点、景点间参观顺序、在每个景点的时间安排和每个景点内部的典型旅游路线。首先利用 Meanshift 聚类算法进行景点聚类，命名目的地，挖掘偏好；然后采用一种新的 IPD 算法挖掘 某一景点内部的经典路径，并估计景点内部停留时间；最后提出一种新的 TRS 算法，基于图 的分析采用动态规划为游客生成旅游路径计划。

Zheng et al。 [6] 调查了对在线地理标注媒体的最近研究和应用，关注以下四个方面：（1） 组织和浏览地理标注媒体资源，（2）从地理标注媒体中挖掘语义或社会知识，（3）找出世界 上的地标，（4）估计一张照片的地理位置。并且利用丰富的在线照片分析了在一个地方级的 旅游景点的人们的旅游模式：首先利用 mobility entropy 建立了旅行路径数据库，接着用 DBSCAN 聚类算法找到 RoA，然后调查不同 RoA 之间的游客交通流（利用 Markov 链模型）， 最后进行序列聚类分析旅游路径的拓扑特征并找到热门旅行路径[25]。

Luo et al。 [7]在以下三个方面研究了多媒体情境下的地理标签：（1）地理信息可以被提取 的方式，（2）能够从使用地理信息中获利的应用和（3）方式和应用间的相互作用。将地理信 息来源分类为：POI 数据库、空中和卫星图像、地理标注的照片和涉及地理坐标的多媒体； 将地理信息应用分类为：位置识别、对象或事件识别、可视化、推荐、社交网络和绘制地图。 Cheng et al。 [12]提出实施个性化旅游推荐不仅只是挖掘照片日志，还要更深一步的考虑用 户的特征或属性（如性别、年龄、种族），并采用贝叶斯学习模型进行旅游推荐，且在带权有 向图上进行动态规划来处理路径规划问题。之后，Chen et al。 [2]又进一步提出考虑旅游团队的

种类（如家庭、朋友、夫妻）在个性化旅游推荐的重要性。

Popescu et al。[11]关注具有旅行持续时间的时间限制的查询。Majid et al。 [8,14]建立了基于地 理标签社交媒体数据挖掘的个性化旅游推荐系统，首先从地理标注照片中找到旅游景点，其 次对景点进行语义标注，接着描述景点并建立旅游景点数据库，然后建立模型模拟用户的旅 游偏好并基于旅游偏好计算用户的相似度，最后进行推荐。主要使用了 P-DBSCAN 聚类算法 以及协同过滤推荐算法。