随着互联网教育的快速发展,在线学习愈加普及。学习者可以从互联网得到海量学习资源,也可以选择在线学习平台自主学习,同时学习者也可以自由选择学习时间、学习内容等。面对这种高度自主化的学习方式,学习者对现有知识状态难以进行准确认知并及时清晰了解当前学习进度与认知达标状态,因此极其容易陷入学习迷航、学习动机不足等问题之中。在此情景下,个性化学习路径推荐能有效解决在线学习时产生的知识迷航、认知过载以及学习动力不足等问题。目前个性化学习路径推荐算法主要包括基于知识的推荐、基于内容的推荐、协同算法推荐和混合推荐。其中,运用较为广泛的是协同过滤推荐算法。但协同过滤推荐算法在个性化路径推荐领域因受“马太效应”影响,导致认知水平低的学习者的学习效果不佳。基于此,本文提出一种基于三支决策的个性化学习路径推荐模型,该模型以教育知识图谱为底层推荐内容,结合以认知水平为划分标准的三支推荐方法,为学习者进行学习路径内容推荐。本文针对当前网络学习资源混杂、质量良莠不齐的问题,为保证后续学习路径推荐内容的质量,构建python教育知识图谱。在构建知识图谱的研究中,本文主要涉及到两大部分,一是构建知识图谱的模式本体,即对教育领域的概念、属性、关系等利用本体库Protégé进行语义化表达;二是利用Neo4j图数据库进行知识存储。通过原生图数据库存储、可视化展示,不仅能为在线学习者学习迷航问题提供解决办法,也可以通过知识与知识之间的语义关系为个性化学习路径提供知识间语言顺序支持。本文针对个性化路径推荐领域中常见的“马太效应”问题,提出一种基于三支决策的个性化学习路径推荐模型。该模型可分为用户模型和个性化学习路径推荐模型两大部分。首先,通过对在线用户的学习行为数据的分析,构建在线学习者学习模型维度与测量指标,用于描述在线学习者的学习行为习惯、学习偏好和学习水平。然后,采用依据三支决策的个性化学习路径推荐算法进行学习路径推荐。由于不同学习者对知识的现有掌握程度和接受新知识的能力不同,首先依据学习者的认知水平三支划分,然后对每一部分学习者提出不同策略,分别推荐适合其认知水平的个性化路径。结果表明,通过路径推荐能有效缓解在线学习者的学习动机不强,学习过程中在线学习者产生的知识迷航、认知过载等问题。