随着学习者对在线学习需求的增长,越来越多的教育资源平台和在线学习平台得到发展。面对呈爆炸式增长的学习资源,学习者在线学习时难以找到符合自身认知水平和当前知识体系的学习资源。并且学习者的在线学习偏好往往被忽视,导致其对于学习资源推荐的个性化需求无法得到满足。通过对当前在线学习平台中学习者遇到的问题以及个性化推荐的难点分析,提出个性化学习资源推荐策略。首先,基于知识图谱在教育领域对知识点的结构化组织功能,可以利用其中的知识点关联关系并结合学习者学习行为分析,从而进行推荐知识点的定位。其次,通过对学习者学习风格和学习偏好的分析构建出在线学习偏好模型,并利用聚类算法对有相同学习偏好的学习者聚类。将以上知识点信息和学习者信息融合,为推荐算法提供个性化辅助信息,从而进行个性化资源推荐。本文对该推荐方法的具体研究如下:（1）通过对学习者视频资源的学习行为进行量化分析,提出目标知识点难易度系数预测方法。并加入认知差异和非关联学习者的因素进行修正,以此预测出学习者目标知识点难易度系数。根据制定的规则并结合知识图谱中知识点关联关系为学习者推荐下一步应学或复习的知识点。（2）通过对学习者的信息、交互特征以及学习风格分析,构建了能够反应出学习者在线学习偏好的在线学习偏好模型。将学习偏好模型对应到平台学习行为进行量化分析,并应用聚类算法对相同学习偏好的学习者进行聚类,以此得到具有相同偏好的学习者集合。（3）通过将知识点定位方法和基于学习偏好的学习者聚类方法融合到协同过滤算法之中,结合基于用户显式和隐式反馈的用户评分模型计算用户相似度,以此预测用户资源得分,实现个性化资源的推荐。设计了基于公开数据的仿真实验,与传统的协同过滤推荐算法的评分预测性能进行了对比,结果表明融合了所提方法之后的推荐方法在评分预测性能上表现要更好一些。基于以上推荐方法的设计,对面向在线学习的推荐系统进行了系统分析与设计,实现了个性化推荐系统。根据学科知识图谱的相关特点,构建了面向推荐的初中数学知识图谱。最后进行了系统测试,测试结果表明系统能够正常运行并满足学习者在线学习和资源推荐的需求。