学习资源推荐模型收集学习者评分和浏览等数据，分析这些行为要素之间的关系，从而对其兴趣进行建模，以完成向学习者推荐其感兴趣的学习资源的任务。现有学习资源推荐的相关模型是采用的传统的商品推荐模式，它们忽略了时间因素对行为的影响，缺乏对学习者和资源时效性的准确刻画，影响了学习资源推荐算法的准确率。博士论文工作研究了学习者时效性和资源时效性的度量方法，并结合这些理论成果，针对预测评分和Top-N推荐任务进行动态推荐算法设计和实验评估，同时面向实际系统提出了应用框架。　　 在理论分析方面，博士论文分析了学习资源推荐模型的动态特质，提出了包含资源持久性、资源总体流行度、资源当前流行度、学习者时效权重4个参数的动态转移链，以对学习资源推荐场景中学习者时效性和资源时效性进行准确的刻画。　　 在算法设计方面，针对预测评分任务，以动态转移链为基础，提出了一种面向数值数据的基于矩阵分解的动态推荐算法，在SeekSearch数据集上验证了该算法，实验结果表明新算法较之当前主流的推荐算法准确率有3.89％到5.06％的提升。针对Top-N推荐任务，基于动态转移链，提出了一种面向单值数据的基于图模型的算法，在CiteULike数据集上验证了该算法，实验结果显示新算法较之当前主流的推荐算法准确率有12.873％到33.852％的提升。　　 在应用框架方面，给出了如何整合理论成果和模型算法的原型系统，该系统能够实时响应用户的最新行为，并根据用户行为的变化来实时调整推荐结果，从而不断改善用户在学习资源推荐系统中的体验，且系统具有更强的可扩展性。并且把上述框架部分应用于中科院求索学术资源搜索与推荐系统中。　　 针对学习资源推荐场景中的动态特点，论文提出用动态转移链来刻画学习者和资源时效性的理论基础，以此为依据，分别设计了完成预测评分任务和Top-N推荐任务的动态推荐模型算法，并且给出了动态推荐系统的应用框架。上述理论基础、模型算法和工作框架为面前学习资源推荐领域的后继研究工作提供了重要研究基础和实践参考。