随着移动互联网技术的快速发展,在线学习成为获取学习资源的重要途径。一个良好的推荐机制能够有效的在在线学习中为用户推荐合适的学习资源。本文旨在研究一种新型OTS推荐机制,开发一个在线学习系统,并将OTS推荐机制应用于在线学习系统中以验证其效果。本文首先介绍了课题提出的背景与意义。从在线学习的发展及用户对推荐效果的需求出发,阐述了新的推荐机制出现的必要性。然后介绍目前的主流推荐算法并分析各自的优缺点。在此基础上提出了一种综合考虑资源访问顺序(Order)、资源访问时间(Time)及资源间相似度(Similarity)的OTS推荐机制,并设计实验使用数据验证该推荐机制的推荐效果。本文还设计并实现了一个在线学习系统,并将OTS推荐机制应用于系统中。最后,总结了 OTS推荐机制和在线学习系统的优缺点,提出了现有的不足之处,并提出了未来的改进方法。本课题的创新点是提出了一种新型的OTS推荐机制。该推荐机制使用机器学习算法训练数据,考虑了资源访问的前后关系,资源访问时间远近影响以及已访问资源之间的相似度大小。更符合在线学习用户的推荐需求,目的是提供比目前已有的推荐机制更好的推荐效果。目前主流的推荐机制,如RNN推荐,在训练样本的过程中并未考虑到较早访问的资源对用户偏好的影响,也没有区分用户对于不同样本的偏好权重。而在本文提出的OTS推荐机制中,通过加入时间记忆矩阵来增加用户历史访问对训练模型的影响,并通过用户对于某个资源的学习时长表示该资源的偏好权重,从而实现了更好的推荐性能。将OTS应用于本文实现的在线学习系统中,能够提供更好的资源推荐效果。同时,本文开发的在线学习系统已经应用于实际,实现了在线学习的基本功能,以供用户使用。