互联网技术正加速驱动新一轮教育产业升级,近年来“互联网+教育”的业务载体不断推陈出新,在线教育逐渐得到推广,成为了广大人群学习知识的新途径。但在线教育平台存在针对性不足、无法为学习者量身打造适合自己的个性化学习体验等一系列问题。因此针对学习者学习偏好的在线学习资源个性化推荐成为了当下的研究热点。本文在在线学习的背景下,利用深度学习算法对学习者用户的反馈信息进行建模,在此基础上构建的推荐算法能有效缓解推荐系统中存在的稀疏性问题,在一定程度上提供可解释性并显著提高推荐准确率。为学习者提供更加个性化的学习体验,提高学习者的学习效率和资源的利用率。主要工作包括:(1)提出了基于评论的双重先验矩阵分解模型(Dual-Prior Review-based Matrix Factorization,DPRMF)。该模型利用卷积神经网络对学习者评论反馈信息进行特征提取,再利用评论特征先验约束融入概率矩阵分解模型来学习到融入评论信息的用户和对象特征向量,从而更好地拟合评分数据。本文还在卷积神经网络的嵌入层中使用单词级别的向量权重,这有助于可视化评论并更直观地解释模型。大量实验结果表明所提出的模型优于其它最先进的基于评论反馈推荐方法。(2)提出了基于隐式反馈图表示编码的深度注意力矩阵分解模型(Deep Attention Matrix Factorization,DAMF)。该模型包括隐式反馈的图表示学习模型(IFGWE,Implicit Feedback Graph Walk Embedding),采用图结构表示学习的方法分别对隐反馈图中的邻接边关系和同类节点的二级邻边关系进行同步编码。接着提出了一种通用的深度学习推荐算法:深度注意力矩阵分解模型DAMF,使用MLP提取底层编码数据的深层隐含信息并在输出层采用注意力机制进行回归预测,在MovieLens和Douban数据集上的大量实验证明本模型在评分预测误差方面明显优于其它方法。