翻转课堂教学适合于计算机程序设计类课程,而对于一些高级程序设计课程来说,观看和学习优质网络学习资源可以作为学习者提高其翻转课堂课前自主学习效果的重要手段。本文以Java Web网络学习资源为例,研究在网络学习资源多样性和复杂性,以及学习者在学习过程中学习兴趣可能会变化的情况下,如何解决教师通过手动方式为学习者筛选推荐优质网络学习资源难的问题。使用自动化推荐技术就成为一种较好的解决方案,但通过对国内外推荐技术现状的研究,发现当前业界对于何种推荐方法推荐效果较好还有所争议,因此本文对怎样将Java Web网络学习资源与推荐技术有效结合,以达到较优推荐进行了研究和应用实践。针对上述推荐优质资源难的问题,本文对推荐系统的相关理论和技术进行了研究和分析,选择了推荐性能较好的混合式推荐方法对系统进行设计。根据混合式推荐方法的需求,基于学习者和Java Web网络学习资源的特征,从Java Web网络学习资源的内容、学习者的评分行为、学习者学习需求的变化以及推荐系统设计四个角度思考设计了基本推荐方法。这些推荐方法包括:以学习资源知识点为特征的基于内容的推荐、以学习者评分为特征的基于模型的协同过滤推荐、基于学习者学习需求变化的实时推荐、基于学习者评分次数的推荐、基于学习资源发布时间的推荐和解决推荐系统冷启动问题的学习者偏好知识点高分资源推荐。基于基本推荐方法,本文采用了基于并行式混合推荐方法和推荐列表的设计方案对推荐功能模块进行了设计。针对推荐功能模块,本文设计了学习者模型和网络学习资源模型,并基于这两种模型设计了推荐算法,具体为:在综合推荐模块中,采用基于LFM的协同过滤推荐算法设计;在个性推荐模块中,基于学习者对资源的历史评分和当前评分采用实时推荐算法生成推荐结果,再与学习者偏好知识点内高分资源进行混合推荐;在相似资源推荐模块中,采用以学习资源知识点作为标签的基于内容的推荐算法设计;在高评分率资源推荐模块中,采用基于学习者评分次数的推荐算法;在最新发布资源推荐模块中,采用基于学习资源发布时间早晚的推荐算法。在系统实现中,本文以Linux操作系统作为服务运行环境,使用Spark对算法进行实现,使用Flume、Kafka和Kafka Stream对实时推荐中日志文件中的学习者评分信息进行筛选、处理和发送,使用Mongo DB和Redis开发数据库,这些技术有利于本系统将来的改进和扩展。在对系统的评价与分析中本文采用在线实验、用户调查和学习者访谈对系统进行了评价。其中在线实验采用了基于Top N推荐的实验评价,通过对不同推荐列表长度时的混合式推荐、基于LFM的推荐和基于评分次数的推荐的召回率、准确率和F1值进行计算和对比,本文确定了系统推荐效果较好时的推荐列表长度。用户调查采用了基于李克特量表的问卷设计,其内容主要包括学习者对本系统的界面易用性、资源推荐满意度和系统总体的评价。通过对问卷调查结果的分析,学习者对本系统的认可度较高,同时认为本系统采用的混合式推荐优于基于LFM的推荐和基于评分次数的推荐方法。学习者访谈针对本系统的有用性、可用性和满意度展开。根据对访谈结果的分析,六名被访者比较认可本系统的有用性和可用性,大部分被访者对系统满意度较高。总体来说,本系统能够对Java Web网络学习资源进行较好地推荐,因此本研究具有一定的研究和实际应用价值。