网络技术的飞速发展促进了网络教育的变革，越来越多的人通过在线学习的方式获取知识。但是传统的“以教为中心”的网络教育模式只能提供比较单一的教学资源，没有充分考虑个体间鲜明的差异，一成不变的学习资源和学习者不断提高的个性化学习需求产生了矛盾，为了解决这一矛盾，推广基于网络的个性化教学系统就成为了一种必然的趋势，个性化的网络教学系统在传统网络教育的基础上，引入个性化的思想理念，使得学习者在学习过程中有了很大的自由度和能动性，根据学习者的知识程度、文化水平，个人的学习兴趣和学习需求，结合学习者当前的知识体系和学习能力，有针对性的向学习者推荐学习资源，提供个性化的学习建议和指导，激发学习者的学习热情，让他们能够自主高效的学习，这样才能达到最佳的学习效果。人本主义学习理论、建构主义学习理论和多元智能理论为个性化学习提供了理论依据，是基于网络的个性化教学的理论基础。数据挖掘技术在学习资源推荐方面的应用为个性化教学的实现提供了一个切实有效的解决途径，利用数据挖掘技术，可以从海量的数据中抽取出有价值的、规律性的信息。由于Web日志数据一直是数据挖掘关注的重点对象。因此，数据挖掘技术，特别是web日志挖掘技术的发展为基于网络的个性化教学系统的实现提供了强大的技术支撑。本文首先阐述了学习资源个性化推荐的研究背景及研究意义，通过分析对比国内外在该领域的研究现状，了解掌握了个性化学习的相关理论和技术。根据个性化学习的特点，对学习网站的web日志进行了模糊聚类和关联规则挖掘。其中模糊聚类是基于在用户会话中学习资源同时被访问的频率实现的，将相似度较高的学习资源归为一类，而学习者在一段时间内会重点关注同一类的资源，故而聚类能够缩小推荐资源的范围；关联规则挖掘是指利用加权关联规则挖掘出数据之间隐藏的关系，重点推荐关系密切的资源，从而提高推荐的精确度，本文采用的加权关联规则是基于数据挖掘中的经典算法Apriori算法改进的。本文通过分析服务器端的web日志，建构了基于web日志挖掘的学习资源个性化推荐模型，为了实现该模型，我们提出了WRTC算法，对学习资源进行模糊聚类和加权关联规则挖掘，然后详细描述了学习资源个性化推荐机制的实现，最后使用个性化推荐常用的评估参数对系统的性能进行了评估，通过采用网络孔子学院中学习者访问日志作为数据集进行的算法实验，证明该方法有效提高了学习资源推荐的精确度和覆盖率，验证了该算法和模型指标的有效性。本文实现的学习资源个性化推荐模型虽然能够比较准确的向学习者推荐学习资源，但是它仍存在一些不足，在未来的工作中，我们要不断完善模型，提高用户体验。