在教育领域中,在线课程已经成为重要的教学资源,尤其在近几年的疫情时期更是发挥了不可替代的作用。然而,随着在线课程和学习者的数量急剧增长,大规模在线课程的学习与个性化的学习需求之间的矛盾日益凸显。重要原因之一在于在线课程推荐算法对个性化学习需求以及学习过程信息的利用与挖掘不够充分和深入。针对当前在线课程学习中,“大规模”与“个性化”之间的矛盾,借鉴协同过滤算法思想,引入退课向量和课程体系完整度两个重要的在线课程推荐效果影响因素,提出了融合两个因素的协同过滤推荐算法。研究过程:首先提出了退课概率预测模型,主要工作包括定义了退课向量的概念,数据获取方法,退课概率预测算法。该退课概率预测模型采用Light GBM和MLP模型相结合的设计方式,将退课预测分成两个阶段,第一阶段为降维,基于PCA方法对117个维度进行降维,使用Light GBM模型对这些特征进行特征评分选择排序,将特征评分作为特征的权重,输入至MLP模型预测退课概率。然后提出了课程体系完整度的计算方法,主要工作包括定义了课程体系完整度的概念,构建了课程进阶关系规则库,提出了课程数据获取方法和课程体系完整度计算方法。接下来,将获取的退课概率和课程体系完整度作为基础数据,提出了融合二者的协同过滤推荐算法,主要工作包括讨论了融合时的相似度权重,提出了具体的算法,算法使用学生-课程评分矩阵、学生课程退课状态矩阵,学生-课程体系完整度矩阵带入融合退课向量和课程体系完整度相似度计算公式中来计算课程之间的相似度矩阵,然后使用k近邻算法把课程集合分成k个集合,在学生所属的集合中,计算学生对于课程的兴趣度,按照兴趣度降序排列,取前n个推荐给学生,最后生成推荐列表。为了验证算法的可行性和优越性,设计了六个实验。最后,应用提出的算法,采用了面向对象的方法,按照软件生命周期,设计与实现了系统原型。实验结果表明,提出的退课概率预测模型具有较高的准确率,达到了96.3%。课程体系完整度的计算方法能够真实的反应学生已修课程状态。课程推荐算法中,对皮尔逊和差值向量相似度进行加权融合时,当α=0.43,β=0.57时,RMSE取得最小值1.116,使用k近邻算法将课程分为k集合,当k=10时,算法的各项指标达到最优,改进后的融合退课概率和课程体系完整度的推荐算法准确率为79.34%,对比改进前平均准确率提升近20%,证明了算法的优越性。