随着互联网的快速发展以及人们对教育需求的不断增长,2012年出现了大规模在线开放课程(Massive Open Online Course,MOOC)这种新型的在线教学模式。伴随着这种大规模开放式在线课程平台的快速发展,MOOC平台课程数量大幅度的增加,MOOC平台出现了类似于电商平台的信息过载问题,信息过载给用户带来了学习选择困难、学习迷航等问题。因此,针对MOOC平台的课程推荐系统的研究与实现有着重要的实际应用价值。本文的主要工作内容如下:(1)基于神经网络的课程推荐模型优化。针对信息过载问题,传统的推荐算法通常采用的是协同过滤,由于神经网络的发展,现在很多推荐模型将神经网络应用到协同过滤中,以此来提高模型的性能。本文构建的课程推荐模型在基于神经网络的协同过滤模型基础上进行了改进,考虑到社交网络对模型推荐的影响,本文将用户的关注关系融入到原始模型中。为了验证融入关注关系对模型的提升,本文使用爱慕客平台上的真实数据进行了实验对比,实验结果表明融入关注关系可以使得原始模型发挥更好的性能。(2)基于相似课程的二次推荐。为了推荐不同MOOC平台上的课程给用户,满足用户对不同MOOC平台上的课程学习的需求,本文提出了基于相似课程的二次推荐。它在本文构建的课程推荐模型推荐的TopK门课程基础上,可以通过计算将更多MOOC平台上的相似课程作为这K门课程的二次推荐。本文的相似课程的计算是通过全文检索服务器Solr在不同MOOC平台上根据关键字检索来实现,同时为了考虑二次推荐课程的质量,将检索到的课程融合课程评分和课程观看人数重新排序出相似课程。最终在不同MOOC平台上推荐相应的相似课程给当前用户,提高推荐模型的广度。(3)课程推荐系统的实现。本文实现的课程推荐系统将本文构建的课程推荐模型和基于相似课程的二次推荐应用到现有的MOOC平台中,通过系统的形式为用户提供个性化的课程推荐。