随着大数据时代的到来,网络学习资源的获取越来越便利,人们能够不受时间、空间的限制随时随地地获取到知识。目前,大规模开放在线课程(MOOCs)作为一种新兴的教育形式,由于其资源丰富、方便快捷、价格低廉等特点愈来愈受到学习者们的喜爱,许多企业和高校纷纷从在线学习平台中挖掘高分人才。然而,海量的在线学习资源引发了信息过载问题,大多数在线学习平台凭靠简单的关键字搜索和热门推荐功能,无法完全解决这一问题。此外,在线学习平台对学习者的自觉性要求较高,由于缺少传统面对面教育中教师的人文关怀和专业指导,大多数学习者无法规划自己的学习进程,由此出现了高频辍学率和低频课程通过率的现象。针对上述问题,本文以解决在线学习平台中信息过载问题为主要目标,针对引发在线学习平台高频辍学率和低频课程通过率现象的主要原因,重点研究混合式的在线学习资源个性化推荐技术和基于群体智能的在线学习路径规划技术,本文的主要创新点如下:1.构建了基于用户职业目标的在线学习资源个性化推荐模型。本文以用户的实际需求——职业目标为出发点,多方面考虑用户之间的相似性,有效缓解了传统协同过滤技术的冷启动问题。同时关注职业目标与资源之间的相关性,以及用户自身的知识水平,使得推荐结果更具专业性和针对性,有效解决在线学习中出现的信息过载问题。2.将序列模式挖掘技术应用到在线学习资源的个性化推荐方法之中,关注在线学习资源之间的关联性。本文通过Prefix Span算法挖掘用户的行为数据,从而分析学习资源之间的关联性,有助于提高个性化推荐的合理性,同时使得学习路径的规划更加符合实际的学习过程。3.构建了基于群体智能的学习路径自适应规划模型。本文首先采用Felder和Silverman提出的学习风格量表来计算用户基于学习风格的相似性,而不是笼统地划分用户类别;其次将学习风格因素考虑到学习路径规划的过程中,通过改进原始的蚁群系统算法,求得针对不同用户的个性化学习路径,帮助用户高效地完成职业目标,进一步解决在线学习中高频辍学率和低频课程通过率问题,提高用户满意度。最后,通过对比实验,从两个角度分别说明,融合了在线学习资源个性化推荐的学习路径规划方法的可行性和有效性,同时构建了在线学习资源个性化推荐系统原型以说明方法的实用性。实验结果表明,本文提出的在线学习资源个性化推荐方法能够有效地解决网络学习资源的信息过载问题,而学习路径规划方法能够帮助用户高效地实现自身的职业目标以应对企业的人才需求,由此逐步改善在线学习中用户的低频课程通过率和高频辍学率现象。这对于提高我国的在线学习质量和整体教育水平,具有一定的指导和实践意义。