构建在线学习共同体可以改善学习者在线学习体验,增强学习者的满足感和归属感。目前在线学习共同体构建方法大部分采用单一的构建策略,例如使用异质分组或同质分组策略,单一的构建策略存在一定的弊端。同时,在线教育中拥有海量的学习资源,但学习者却难以从中快速选择符合自己学习需求的优质学习资源,导致学习者出现信息迷航问题。给学习共同体成员进行资源推荐可以有效缓解信息过载的问题。在线学习共同体的学习资源推荐不同于个体推荐,它需要考虑所有成员的偏好,使得推荐结果尽可能符合群组所有成员的需求。传统的群组推荐采用预先定义的融合策略,缺乏动态调整成员影响的权重。针对以上问题,本文开展在线学习共同体智能构建与群组推荐方法研究,主要研究内容与贡献如下:（1）将在线学习共同体构建问题抽象为多目标优化问题,提出了基于带精英策略的非支配排序遗传算法的学习共同体构建方法。定义三个优化目标,确保学习共同体在性别、学习风格等特征的“组间同质性”和“组内异质性”,以及在知识水平、兴趣爱好层面的“组内同质性”,使得在线学习共同体构建更加合理。（2）提出一种基于层次注意力机制的群组推荐方法。我们利用层次注意力机制进行建模,使用两层注意力神经网络,第一层用于捕捉成员之间的影响,第二层用于捕捉成员在群组决策的影响力,并结合群组历史交互进行群组推荐。使得小组成员在群组决策中具有不同的贡献,小组成员的权重能够动态的调整,同时考虑小组成员之间的交互。其次,对小组的主题偏好进行建模,从小组与项目的历史交互数据中学习得到群组主题偏好。最后,利用神经协同过滤进行群组推荐。（3）通过对比实验,验证了基于带精英策略的非支配排序遗传算法的学习共同体构建方法有效性,通过该方法构建在线学习共同体,实现了学习共同体间的均衡性、学习共同体内的多样性和融合性。验证了基于层次注意力机制的群组推荐方法的推荐效果优于其它对比方法的效果。表明考虑群组成员之间的交互可以提高推荐结果。