信息技术的飞速发展,以及“互联网+”教育创新的转型,使在线教育受到人们广泛的关注。随着在线教育的学习者规模和市场规模不断壮大,网络上的学习资源剧增,学习者在学习过程中容易陷入“资源过载”和“选择迷航”等尴尬境地。如何在海量的学习资源中挖掘并推荐给学习者所需的资源,实现个性化的学习成为研究的重点。信息检索的出现使上述问题得到了较好地解决。然而,该方法需要学习者被动获取学习资源的方式。为了实现学习者的个性化学习,个性化推荐系统应运而生。目前研究人员对个性化的学习资源推荐属于初级阶段,仍存在很多问题。本论文主要针对教育领域的学习资源推荐存在的问题进行分析,并通过新的推荐技术进行改进,主要工作如下:1.针对传统的协同过滤推荐方法推荐范围有限且忽视了小众资源的问题,提出了将物理学中的热传导和物质扩散理论引入到推荐系统中,建立基于二部图的学习资源混合推荐模型。该模型将基于热传导的推荐方法和基于物质扩散的推荐方法混合使用,通过引入一个可调参数,使两种方法在不同应用场景下发挥不同的作用。实验结果表明,与传统的协同过滤推荐方法、物质扩散推荐方法、热传导推荐方法相比,改进后的混合推荐方法在综合水平上表现最好。2.针对传统的学习者建模过程中没有从学习者兴趣的多个维度(学习者兴趣特征和兴趣稳定性)分析学习者的兴趣偏好,导致学习者兴趣表达不充分、推荐类型单一的问题。鉴于此,提出了基于多维度兴趣的学习资源推荐方法。其中,学习者的兴趣特征包括兴趣特征词及其特征词间的关联关系,兴趣稳定性分为短期兴趣和长期兴趣,进而组合形成短期特征兴趣、短期关联兴趣、长期特征兴趣以及长期关联兴趣四个基本维度,建立基于多维度兴趣的学习者兴趣模型,并基于此建立学习资源推荐系统。实验结果表明,改进后的学习资源推荐方法为学习者提供了更准确的兴趣,从而推荐的准确度更高,更容易满足学习者的偏好,彰显了本论文的研究价值。