目前石油行业许多线下理论培训已经转到了线上,在线培训教学平台中积累了大量学习资料,导致用户难以快速获取到自己感兴趣的资料。本文基于平台中用户历史交互数据,开展个性化推荐方法的研究,实现对资料的筛选和过滤。针对用户对资料的评分矩阵中存在的若干问题,提出主题模型修正评分矩阵方法和融合社交关系的度量分解方法,并应用于培训教学平台,设计与实现学习资料推荐子系统。首先,针对FML（Factorized Metric Learning）推荐方法中存在未考虑用户兴趣随时间变化因素、不同用户评分存在严苛差异性以及用户评分可信度不同三个问题,提出基于主题模型修正的度量分解推荐方法TMFR（Metric Factorization Recommendation Based on Topic Model Modification）。TMFR方法利用用户近期在资料主题交互频率上的差异性,计算用户近期对资料的兴趣度偏差,修正用户评分矩阵。并依据用户评分位次代替原有评分,解决用户评分严苛差异性问题。最后在损失函数中添加用户评分可信度项。实验结果表明,TMFR方法能进一步提升推荐效果。其次,针对平台中存在用户评分数据稀疏,以及大量低活跃用户问题,提出融合社交关系的度量分解推荐方法MISR（Metric Decomposition Recommendation Method Integrating Social Relations）。该方法从用户社交网络中提取重要用户节点,并利用信任传播扩展非相邻用户之间的隐式信任关系,再将扩展后的社交关系矩阵嵌入TMFR方法中,缓解低活跃用户问题。实验表明,MISR方法能有效提升整体推荐精度。最后,将上述推荐方法应用到在线培训教学平台中,设计并实现学习资料推荐子系统。