Empfehlungssysteme für Points-of-Interest (POI) unterstützen Nutzer:innen bei der Reiseplanung. Ihre Wirksamkeit wird jedoch häufig durch Popularitätsverzerrungen, auch Popularity Bias genannt, beeinträchtigt, da die Algorithmen stark besuchte Orte öfter weiterempfehlen. Dabei werden weniger bekannte POI, sowie Nutzer:innen mit vielfältigen Interessen vernachlässigt. Dies kann zu Übertourismus führen, infrastrukturelle Engpässe verschärfen und Destinationen dazu zwingen, restriktive Maßnahmen zu ergreifen, während alternative Orte umgekehrt zu wenig vom Tourismus profitieren. Anhand von vier öffentlich verfügbaren Datensätzen (Brightkite, Foursquare, Gowalla, Yelp) und einem internen Datensatz (Snow Card) untersucht diese Arbeit die individuellen und kombinierten Effekte von Context Awareness und Popularity Calibration auf die Genauigkeit und den Popularity Bias der Empfehlungen für verschiedene Nutzer:innengruppen. Die Ergebnisse zeigen, dass Context Awareness keine universelle Lösung darstellt, da die untersuchten Modelle konträre Auswirkungen auf Genauigkeit und Bias haben. Eine Kalibrierung nach Popularität kann Empfehlungen neu anordnen und besser an Nutzer:innenprofile anpassen, vorausgesetzt die Ausgangsempfehlungen enthalten bereits genügend Nischen-Items, was bei nicht-kontextuellen Modellen häufig nicht der Fall ist. Besonders wirkungsvoll zeigt sich die Kombination beider Ansätze, da sie die jeweiligen Schwächen ausgleicht. Angesichts der Herausforderung, sinnvolle Onlinestudien in der Domäne durchzuführen, wird ein Konzept für eine Nutzer:innenstudie aufgestellt, um die tatsächliche Wirkung der Strategien zur Verminderung von Popularity Bias zu bewerten. Die Arbeit bietet somit eine Grundlage zur Erforschung von Empfehlungssystemen als Maßnahmen zum Ausgleich von Über- und Untertourismus und unterstreicht die Notwendigkeit offener, aktueller Datensätze zur Förderung von Reproduzierbarkeit und weiterführender Forschung.