在线教育在抗击新冠肺炎过程中得到快速发展,为学习者获取知识发挥了重要作用,逐渐成为一种新的知识获取途径。然而,教育大数据的发展造成了信息冗余、教育资源质量参差不齐的问题。学习者在选择教育资源时,不仅要面对从海量的教育资源中选择合适教育资源的问题,还要面对优质教育资源的选择和判别问题,这对当前学习者来说无疑是很困难的。如何在海量的学习资源中选择适合学习者的优质教育资源是一个亟待解决的问题。个性化推荐方法是一种高效快捷而具有长远发展前景的解决方案,可以有效提取学习者的偏好特性并为其选择合适的优质教育资源。本文利用深度学习技术对学习者的反馈信息进行建模,构建了高效的资源推荐算法,能够有效提高推荐结果的准确率,使学习者在学习过程中,可以获得更加个性化的学习体验。本文主要提出了两种模型,用以解决在线环境下学习者的选择困境。（1）提出了通过评论表示学习和历史评分行为的置信度感知的推荐模型（Confidence-Aware Recommender Model,CARM）。该模型利用评论信息的交互性,构建了用户和对象的交互潜在因子。然后,通过置信度矩阵去构建评分离群值和误导性评论之间的关系,进一步提高模型的准确性,减少误导性评论对模型的影响。同时,通过最大后验估计理论来构建损失函数。此后,通过引入小批量梯度下降算法来优化模型的损失函数。实验结果表明,所提出的模型在若干公共数据集上实现了最优的性能。（2）提出了高效的基于L0正则化的评论特征表示学习的深度矩阵分解模型（Efficient Deep Matrix Factorization,EDMF）。用户评论中的两个特性被揭示。首先,用户对对象评论中的交互性被利用,评论的这种交互性也可以认为是一种用户的评分行为。其次,评论只包含用户对对象偏好的部分描述信息,这种特性被称之为评论的稀疏性。对于第一个特性,模型通过带词注意力机制的卷积神经网络去提取单条评论的交互信息。然后,考虑到评论信息具有稀疏特性,也就是第二个特性,采用L0范数来约束评论。通过最大后验估计理论来构建损失函数。最后,为了优化损失函数,引入了交替最小化算法。四个公开数据集上的实验结果表明,所提出的方法在效果和效率上优于最先进方法,显示出良好的教育应用前景。