随着互联网技术的革新和快速发展,各类网络平台上的信息数据也急剧增加,对网络用户来说,如何在海量信息资源中准确获取到所需的内容是一件非常困难的事情;对于互联网平台来说,如何准确地为用户解决信息需求,加快访问的效率以及优化访问的体验,也是一件极具挑战性的事情。而推荐系统可以有效缓解信息超载和加快信息筛选,目前已经被电子商务、在线学习网站等许多互联网平台广泛应用。随着互联网信息资源越来越多,推荐系统的实际价值也变得越来越高。推荐系统的思想是根据用户的历史交互信息(如评分和点击等),通过建模来挖掘用户的偏好,预测用户的需求或兴趣,从而帮助用户快速得到自已感兴趣的内容或服务。对于软件知识学习平台来说,平台的数据量大,知识体系和类别多样,如视频类教程和文档型内容。同时,知识数据结构不一,组织形式各异。面对以上问题,为了提供个性化的服务,提升用户体验,加强用户和平台之间的交互性,我们结合平台侧和用户侧两个方面,更好地进行个性化的知识推荐。具体来说,一方面,我们需要考虑平台上异构数据的组织和处理,如使用知识图谱组织异构知识项:另一方面,需要考虑不同用户间的知识水平差异,通过建模用户当前的知识水平信息,从而更好的学习用户当前的知识需求。在当前的推荐方法研究中,基于RNN的序列建模方法没有考虑到交互项目与其他项目之间的潜在关系,难以捕获更深入的用户需求,在本文中,通过结合软件知识学习平台的知识推荐背景,分场景、分层次的建模以进行更好的知识推荐,包括短期会话型推荐模型和基于用户知识水平的推荐模型。对于短期会话型推荐场景,早期的推荐方法大多只考虑了用户与项目间的关系,这可能导致推荐的效果不佳;而对于基于用户知识水平的个性化推荐,当前的序列推荐模型难以捕获到跨类别知识项目间的深层依赖关系。因此,本文对上述问题进行了深入研究:1、提出了一个基于序列信息和边缘信息的协同注意力推荐模型,进行短期会话型推荐。该模型结合了用户行为学习(Session Behavior Learning,SBL)和边缘信息学习(Side Information Learning,SIL),更好的挖掘了用户访问的上下文和潜在的偏好信息。之后,在模型中引入了协同注意力机制,有效的结合了当前序列信息和边缘信息,获得了更好的推荐效果。本文提出的会话型推荐方法与现有方法的区别在于,首先,通过会话序列内不同交互行为作为嵌入,有效学习了用户的直接偏好信息;其次,在处理用户的直接交互项目时,考虑用户会话外的潜在偏好信息。用户会话内交互的项目与会话外项目潜在的边缘信息对用户整体偏好可能具有不同程度的重要性。相比之下,本文提出的模型可以更有效地结合用户会话内偏好与潜在偏好传播,做出更加准确的会话内下一项推荐。2、提出了一种基于用户知识水平敏感的推荐模型(KLAN),该模型考虑了知识体系中的类别及用户学科知识学习进程等因素。KLAN主要包括三个主要组成部分,即用户知识水平表示模块(User Representation Module,URM)、候选项表示模块(Candidates Representation Module,CRM)和推荐模块(Recommender Module,RM),核心是URM,主要学习用户当前的知识水平表示,从而更好的挖掘用户的需求和偏好,为用户推荐更合适的知识。此外,受NLP任务中的分层注意力网络的启发,对KLAN模型做了进一步的改进,提出了一个层次知识水平敏感的注意力网络模型(HKLAN),与KLAN模型的区别在于HKLAN采用了分类-分层的注意力机制进行编码,在知识项和知识类别两个层次上进行了偏好学习。由于不同的知识项对同一知识体系的贡献不同,不同知识体系对于给定用户的知识水平的贡献不一,因此使用基于分层注意力机制的网络来建模,可以更深入的学习用户的知识水平表示和当前的知识需求,从而进行更准确的知识推荐。最后,本文选用了多个真实数据集,对提出的模型进行了验证实验,与当前流行的推荐算法相比,本文提出的模型均得到了较好的实验结果。