2019年新冠疫情爆发,为了响应“停课不停教、停课不停学”的政策,许多高校将线下课堂搬到线上,在线学习因此被更加广泛地应用。自适应学习在很多在线学习系统上扮演着重要的角色,自适应学习是使用计算机算法来协调与学习者的交互,并提供个性化的学习资源和学习活动来解决每位学习者的独特需求的教育方法。相较于通常为所有的学习者提供相同的学习材料的传统的课堂指导方式,自适应学习更加关注于个体之间的差异,其面临的主要挑战之一是如何为学习者提供定制的学习资源,即如何在海量的学习资源中为学习者生成个性化的学习项推荐列表。知识追踪技术常用于捕获学习者的知识级别,同时它可以预测学习者在下一个交互的学习项上的表现。现存的多数学习资源推荐方法往往首先使用知识追踪技术捕获学习者的知识级别,即学习者对学习资源的掌握程度,之后根据学习者的知识级别生成推荐结果。尽管这些方法已经取得了很大的成功,但仍然存在一些挑战。例如,（1）在使用知识追踪技术获得学习者的知识级别时未能很好地建模学习者的遗忘行为以及学习者学习速率和理解能力等个体化差异;（2）在进行推荐时这些方法通常将知识追踪任务和推荐任务割裂,使知识追踪任务与最终优化目标脱节,导致不能精确地捕捉学习者的知识级别。此外,仅依赖于学习者的知识级别生成的学习资源推荐往往忽视了学习者对于学习资源类型、学习策略等个人偏好。针对上述挑战,本文开展了以下工作:首先,在知识追踪技术中,针对学习者在学习过程中出现的遗忘现象和学习者之间存在的个体差异,本文一方面设计了一个个性化的遗忘控制器,使用三个时间相关的特征强化长短期记忆网络,从而更好地解决了学习者复杂的遗忘问题,另一方面本文通过学习者的性格建模学习者的个体化差异,从而在进行知识级别预测时将学习者的学习速率和理解能力等考虑在内,使得模型更加准确地捕捉了学习者动态演变的知识级别。其次,针对于知识追踪任务和推荐任务割裂的问题,本文提出了一个知识增强的多任务学习框架,该框架将知识追踪任务和推荐任务分别作为辅助任务和主任务,通过两个任务之间的信息共享机制,使得知识追踪任务可以更好地帮助课程推荐任务。此外,为了在推荐任务中不仅关注学习者的知识水平,同时考虑学习者的偏好,本文自适应地融合了学习者的知识级别、序列行为和学习者的性格以建模学习者的画像。为了保证生成的推荐结果知识结构的逻辑性,本文利用基于规则的方法选择候选的课程集。基于此,本文所提出的知识增强的多任务学习框架可以生成更加个性化的推荐结果。最后,为了探究本文所提出的推荐模型的应用性,本文设计并开发了一个知识增强的多任务学习课程推荐系统。该系统具有友好简洁的人机交互界面。它可以依据用户的知识水平、用户的性格信息以及用户的行为记录为用户生成个性化的课程推荐,帮助用户提高学习效率。此外,它可以被用于收集包含用户性格的教育数据集,以便为后续的研究提供数据支撑。