随着“互联网+”的不断发展,在线学习已经越来越普及,然而目前大部分在线学习平台只是为学习者提供学习资料和简单的留言板功能,而无法为学习者提供分组协作学习的环境,这就造成了学习者之间缺乏有效沟通、学习效率不高、完课率低的现象。因此构建分组协作学习的环境,是提高学习效率的有效手段,而如何合理分组就涉及到聚类算法。为提高协作学习分组质量,论文针对K-means算法和密度峰值算法的优缺点将两种算法进行融合改进,提出了基于权重的网格密度峰值K-means算法(简称WGDK-means),并将其应用到学习者模型中,论文主要的工作如下:(1)提出WGDK-means算法。首先详细分析了K-means算法的优缺点,针对其K值需要事先进行给定,以及对初始中心点选取比较敏感等缺点,提出了利用密度峰值算法事先获取K初始点,再进行K-means聚类的想法,但由于密度峰值算法的时间复杂度偏高,不利于直接使用,为此提出了基于网格密度峰值算法获取K初始点的改进思路,并详细介绍了WGDK-means的算法思想和执行步骤,最后通过实验验证了WGDK-means算法在学习者特征数据集中相比K-means算法平均准确度提高了将近8%。(2)提出基于WGDK-means的梯度分组算法。首先将WGDK-means算法应用于学习者数据集中,建立了包含知识水平模型、认知水平模型、学习偏好模型以及协作能力模型的学习者特征模型,最终将WGDK-means算法应用于协作学习分组中,提出了基于WGDK-means的梯度分组算法,并通过实验证明梯度分组算法在学习者协作分组上具有较好的实际应用价值。(3)完成了协作学习系统的设计与实现。论文针对协作学习系统的需求,将WGDK-means的梯度分组算法应用到协作学习系统中,通过对系统的架构、功能、数据库的设计,使用现有流行的开发技术,构建了协作学习系统并投入实际应用。