现代科学技术的迅猛发展,推动人类社会全面进入了信息时代,教育的时空界限也在不断被打破,在线教育随着互联网技术的普及在我国快速的发展。然而,在线教育的发展为学习者带来海量学习资源的同时也带来诸多困扰。随着在线课程资源的不断增加,用户往往需要花费大量的时间和精力去搜索查找想要的在线课程。个性化推荐技术（Personalized Recommender）就是利用用户本身的特征信息模拟售货人员在现场销售时为客户推荐买什么的过程。协同过滤推荐（简称CF）可以说是目前使用的最多的个性化推荐技术之一,它主要是根据当前已有的信息来计算用户或项目之间的相似度,并基于此来预测用户对项目的喜好程度,从而实现推荐的整个过程。评论是网络用户在平台上表达自己情感与观点的载体,其中包含了体验感受、功能请求和错误报告等信息。如果能够将用户发表的对于课程的评论内容融合进来,将获得更为精准的用户或课程之间的相似度,从而实现更有针对性的课程推荐。但是网络上的用户评论大都是杂乱无章甚至没有内容的,有些仅仅是评论者情绪的表达,或者有些“长篇大论”中也许存在着用户想要表达的关键信息,但需要耗费大量的人力来进行阅读理解并提炼。因此,需要有其他更经济更有效更全面的方法来挖掘用户评论的主题,并且将其应用到协同过滤推荐算法中,从而实现更精准的课程推荐。正是在这样的背景下,本文将在线课程推荐研究的对象聚焦于用户评论,将其融合于传统的基于课程评分相似度的协同过滤推荐中,以提高推荐的精度。首先,运用传统协同过滤推荐算法根据已有的评分信息来计算课程之间基于用户评分的相似度。其次,通过主题模型提炼用户评论内容主题,并将评论内容的主题作为课程潜在属性生成课程的特征画像,从而根据课程的特征画像获得课程之间基于用户评论主题的相似度。对于用户评论内容主题的发现,在隐含狄利克雷分布（LDA）模型仅考虑词出现概率的基础上,引入Word2Vec词向量模型将隐含狄利克雷分布（LDA）模型产生的“主题-词”矩阵转换成“主题-词向量”矩阵,并运用K原型聚类将词向量（数字特征）与主题分类（文本特征）有机地结合起来对“主题-词向量”矩阵进行聚类,从而获得带有词语义信息的课程评论主题,并基于此计算得到课程融合用户评论改进主题的相似度。再次,运用多元线性回归模型将课程评分的相似度与融合用户评论改进主题的相似度进行拟合,从而获得汇总加权的课程之间的相似度,进而预测用户对课程的评分。最后,将基于课程评分相似度的协同过滤、融合用户评论主题的协同过滤和融合用户评论改进主题的协同过滤预测分数结果进行比较,并进行分析。经验证,将用户评论主题加入到课程相似度的计算之后,提高了课程评分的预测精度,改进了在线课程推荐的效果。并且,将运用改进主题模型挖掘出的带有词语义信息的课程主题加入传统的课程相似度计算之后,在线课程评分预测的精准度能够有进一步的提升。从实际应用的角度来看,与一般意义上的商品推荐中用户会进行重复购买不同,用户不会对已经学习过的课程感兴趣,仅仅通过使用协同过滤推荐预测的课程分数来进行课程推荐是远远不够的,因此需要将其与其他的推荐算法如信息检索技术进行结合运用。本研究的创新举措大概可以归纳成这样几点。第一,将用户评论内容的主题作为课程潜在属性生成课程的特征画像,从而根据课程的特征画像获得课程之间基于课程评论主题的相似度,提高了在线课程评分预测的准确性。第二,在发现用户评论主题的时候,考虑了词之间的语义关系,运用Word2Vec词向量模型将传统隐含狄利克雷分布（LDA）模型生成的“主题-词”矩阵转换成“主题-词向量”矩阵,从而更进一步提高课程评分预测的精度。第三,使用K原型聚类将词向量（数字特征）与主题分类（文本特征）有机地结合起来对“主题-词向量”矩阵进行聚类,从而获得聚集的带有语义信息的课程评论主题,使得到的课程相似度更接近现实。第四,运用多元线性回归模型将课程评分的相似度与融合用户评论改进主题的相似度进行拟合,从而获得汇总加权的课程之间的相似度,进而预测用户对课程的评分。