在信息技术高速发展的浪潮下,教育信息化一直是教育改革的重要方向。作为教育信息化的一个重要途径,在线教育使学习活动变得方便、高效的同时,也带来了大量学习行为数据。有效地利用学习行为数据,挖掘隐藏在这些数据中的信息,有助于改进在线教育平台,优化学生的学习过程。本文基于“xAPI标准的LMS平台”项目,研究设计了 LMS平台的云架构方案,介绍了学习行为数据的采集和存储方式,重点阐释了 LMS平台对数据挖掘的支持,并从在线课程推荐和知识点关联的角度对学习行为数据进行分析和挖掘,提出了在线课程推荐算法和知识点关联挖掘方法。现将本文工作归纳如下:1.基于xAPI标准的LMS平台的研究设计:首先,本文采用云服务器部署方案来改进LMS平台的架构,以此提升其稳定性与可用性,并通过消息队列来实现LRS系统与LMS平台的解耦与异步处理。其次,结合在线课程组织结构特点,改进了课件的打包方法。在学习行为数据挖掘方面,基于Mahout实现了 LMS平台的数据挖掘模块。2.在线课程推荐算法研究:首先,本文结合用户的反馈行为以及在线课程的特点实现了用户兴趣模型。然后,通过改进信息素更新策略以及启发值的计算方法,提出了一种基于蚁群算法的课程推荐算法。实验表明,相比传统的推荐算法,本文算法推荐结果准确率更高,在课程的推荐方面效果更优。3.知识点关联挖掘方法研究:首先,本文改进了 FP-tree的构建方法,提出了基于多支持度策略的知识点关联挖掘算法,并优化了最小支持度阈值改变时的处理方法。然后,结合学生对知识点关联的反馈信息又提出了知识点关联的修正方法,并给出了基于知识点关联的推荐方法。实验表明,本文所提出的知识点关联挖掘方法可有效挖掘知识点间的关联,相比FP-growth算法,基于本文算法的知识点推荐在准确率和覆盖率上具有明显优势。