慕课推荐方法能有效解决当前互联网中海量的慕课课程选择问题,但主流的慕课推荐方法过于依赖用户的标签或测试结果等显式信息,这样的方法用户界面友好性较差并未充分利用用户与慕课网站的互动信息,使得慕课推荐结果的准确度和解释性较低。因此,研究如何从用户与慕课网站的互动信息中挖掘隐式的喜好特征,并构建准确度和解释性更高的慕课推荐方法具有理论价值和实际意义。针对现有的慕课方法推荐结果解释性较低的问题,对慕课网站上的可获取数据进行了分析,从课程相关文本数据中可提取到能描述课程属性的特征项,基于课程属性特征能够有效缓解现有慕课推荐方法仅依靠用户评分进行推荐带来的解释性较差问题的考虑,提出将课程属性特征运用于慕课推荐;针对现有的慕课推荐使用传统相似度计算方法来计算课程或用户的相似度而导致推荐结果准确度较低的问题,提出使用新的相似度计算方法进行课程相似度的计算。最后,结合推荐系统一般的工作流程,将慕课推荐的工作流程分为课程特征提取、用户课程偏好预测和生成推荐结果三个阶段。基于用户行为和课程特征,设计了一种准确度和解释性更高的慕课推荐方法。首先选择了LDA主题模型进行了课程特征项的提取,然后对慕课用户的多种行为进行加权并构建了用户行为矩阵,最后融合用户行为矩阵和课程特征向量矩阵并结合GLSLIM模型进行了改进。通过对所提出的推荐方法与现有慕课推荐方法进行实验对比,证明了所提出的推荐方法在各项指标中都有较好的效果。同时讨论了用户子集合和特征维度对慕课推荐结果的影响。