2020年爆发的新型冠状病毒肺炎疫情对我国经济、社会与教育发展都产生了重大影响。疫情初期,国家教育部就提出“停课不停学”的要求,大规模开通“国家网络云课堂”平台和MOOCS平台,并着力开展各类线上教育课程,进一步促进了在线教育获得迅猛发展。在线课程的种类和数目呈现爆发式增长,同时也衍生了各种问题:如何满足用户日益增长的学习需求、如何便利用户准确找到适合的个性化课程、又如何能够挖掘用户学习兴趣所在的领域、让推荐算法赋能在线教育?这些都成为了炙手可热的问题。因此,精确分析把握用户需求,完善开放共享灵活的教育模式,就成为了在线教育的难点堵点问题。其中根据用户需求偏好,精准提供个性化推荐服务就显得尤为迫切^[1]。21世纪以来,互联网技术在图片处理、自然语言理解和情感识别等领域取得了重大突破,已然变成人工智能的新潮,为推荐系统的发展作出贡献。近年来随着互联网用户的迅猛增长和在线教育平台数目的激增,对互联网+教育的研究已经成为新的热点,在线教育平台推荐系统的讨论也被推上高潮。推荐算法可以更好地理解用户的偏好,推荐课程的特点以及用户历史交互行为。本文以网易云课堂平台的历史数据为数据源,采用爬虫技术对在线教育的学习资源进行采样和标准化处理。然后选取用户对课程显式及隐式评分信息等,作为训练用户兴趣偏好模型的主要依据。将高维用户-课程矩阵通过分解降维有效解决数据稀疏问题,在冷启动问题中采用top-N推荐规则,并提出通过用户历史行为序列中所隐含的时序信息来识别其喜好或学习习惯的动态演化过程,从而丰富课程内容推荐服务,在供给端提升学习者对课程的满意度,一定程度上能够提高用户的学习效率。本文从传统的（用户,物品）二元交互转移到（用户,物品,时序信息）三方交互上进行研究。研究主要分为四个部分。第一部分是数据的爬取和课程与用户信息分析,在构建冷启动推荐系统时,为评分次数设置一个阈值,解决因数据过于稀疏情况造成的问题。第二部分对用户偏好进行研究,并构造用户-课程矩阵,并在此基础上构造用户行为时间序列,根据用户的学习行为数据来挖掘学习习惯、划分用户群。第三部分对用户时序行为的在线教育学习资源的推荐方法进行设计与研究,通过引入指数衰减函数,将时序信息纳入对学习者偏好的重排序中,并采取矩阵分解构造用户-课程矩阵。第四部分构建预测矩阵,进行相似度计算与推荐排序。预测评分对用户生成推荐列表,推荐得分一定程度上反映了加入时序历史行为的相似程度,结果表明效果较好。本文聚焦用户时序行为的在线教育课程推荐模型,在传统的推荐算法中考虑加入时序性研究,更好地捕捉用户偏好的动态变化,优化互联网+教育发展模式。