随着互联网相关领域的快速发展,网络学习资源的数量也每年以指数级增长,学习者在面对海量网络学习资源时,存在“信息过载”等问题,而推荐系统致力于为用户提供准确的、个性化的信息资源。当前,关于推荐系统的研究,大多是基于协同过滤的研究,但是大部分的研究在用户-资源评分数据稀疏时,推荐准确性不高,且存在不能及时反映用户的兴趣变化等问题。为此,本文开展了以下工作:(1)针对推荐系统在用户-资源评分数据稀疏时,准确率低的问题,本文通过将项目属性和用户评分进行融合的计算相似性的方法,提高协同过滤推荐算法中用户相似度计算的准确性。(2)针对人的兴趣会随着时间不断变化这一特征,本文使用基于艾宾浩斯遗忘模型,通过遗忘函数对历史评分数据进行降权处理,来刻画协同过滤推荐算法中用户兴趣变化。(3)通过组推荐技术,让教师参与到学习资源的推荐中,实现学习资源群组推荐,使得学习资源的推荐更人性化。(4)本文基于改进的协同过滤推荐算法,研究出个性化的学习资源推荐策略,并构建学习资源推荐系统原型,通过云南“和校园”平台数据的测试及应用,对原型系统的有效性进行验证。最终,本文将构建的学习资源推荐系统,应用于云南“和校园”平台的学习资源推荐功能模块中,给K12阶段的学习者推荐个性化的学习资源,以满足云南“和校园”平台用户对学习资源的个性化需求。