在线学习社区学习是一种具有典型社交特性的学习形态,其是在线学习顺应碎片化学习时代的一种发展形式。其具有便捷的交互沟通机制和蕴含海量学习资源,为个性化教育提供了良好实施环境。此外在线学习社区中还存储有学习者遗留的大量的学习者行为记录数据,随着学习数据与资源的累积,逐渐形成了所谓的教育“大数据”,这给线上学习带来便利的同时也产生部分难以解决的问题:第一,教育“大数据”的出现会导致学习者陷入学习迷航与信息超载境地的可能性大幅增加;第二,在线学习社区中师生分离,学习者缺少干预和指引,致使学习者难以找到符合自己实际需求的学习路径,既打击了其学习热情又降低了其学习效率;第三,在线学习社区难以高效应用这些数据,且缺乏适应学生特征的学习支持手段,无法将其拥有教育大数据的优势转化为令学习者满意的学习支持服务,以支撑在线学习社区中个性化教育的实施。针对上述问题,本文对在线学习社区中的学习者模型、领域知识模型及个性化学习路径推荐算法开展研究以期提出解决方案,相关工作如下:第一,在建构主义学习理论的指导下,分析在线学习社区中路径推荐的一般流程,设计出一种应用于在线学习社区之中的个性化学习路径推荐研究框架,该框架可用于指导在线学习社区中个性化学习路径推荐服务的研究与实践。第二,研究个性化学习路径推荐在线学习社区中的个性化学习者模型以及领域知识模型。通过构建学习者模型可充分利用学习者遗留的学习特征信息并将其量化,而构建领域知识模型则可对知识进行结构化的描述,两者共同作用,以支持在线学习社区中个性化学习路径推荐服务得以顺利施行。第三,以基于传统蚁群算法的学习路径推荐算法为研究对象,重点研究其重要参数、信息素更新策略、局部搜索策略,并从三个方面提出了改进:一是信息素计算精度优化,结合个性化学习路径的特征,研究学习路径具体评分准则与方法,提出基于多因素层次模糊评价法(FAHP)的学习路径评分方法,该方法给出学习路径明确的评判准则,有效利用主客观数据将定性的学习评论数据转换为定量的学习路径评分数据,以此评分数据作为算法的信息素,可解决学习者主观评分难以精确表示信息素浓度的问题;二是信息素更新策略优化,引入信息素限制区间,限制区间的存在提供了更优探索路径的可能性的同时,确保了相似经验对于蚁群的启发作用;三是局部搜索策略优化,依据相似学习者相互“吸引”,迥异学习者选择相互“排斥”的原理,采用多蚁群并行搜索,引入异类学习者排斥因子影响决策结果,以有效发挥信息素的正负反馈作用,提高推荐路径的准确性及个性化程度。第四,以在线学习社区中《数据结构》课程为例,进行模拟实验,实现以学习者学习目标、认知水平、资源偏好等个性化特征为依据,为其推荐能发挥其特性,且满足其实际需求的学习路径,激发学习热情提高学习效果;并从多个角度使用多种指标对实验结果进行分析,证明了本研究提出方案的可行性与有效性。