随着互联网与信息技术的高速发展,信息呈现了爆炸性增长,人们逐渐从以前的信息匮乏的时代进入到如今信息过载的时代。在教育领域,随着教学资源信息数量的高速增长,传统教学模式已不能满足学生当下的学习需求。从而个性化学习推荐应运而生,为信息化、现代化教育带来了崭新的思路。以学生为主体的个性化学习资源推荐成为了在线学习一个新的研究热点。如何从海量的数据信息中挖掘出学习者感兴趣的或者所需的学习资源,并且根据学习者的特征将相应的学习资源推荐给他们,对于提高学习者的学习效率及效果有着重要的意义。目前的学习推荐应用大多运用认知诊断方法(DINA)、协同过滤(CF)方法以及概率矩阵分解(PMF)方法。但是,认知诊断方法不能把知识点的掌握程度进行概率化,而且在应用过程中容易造成数据丢失;协同过滤方法和概率矩阵分解方法都未对学生知识点的掌握情况进行分析;而且以上方法均未考虑时间衰减因素的影响。本文针对现有推荐算法不足之处以及推荐效果不佳等问题,提出一种基于学生成绩分析的推荐方法(ReSAA),主要工作内容和创新点如下:(1)针对大量的学生测试数据,运用经典测验理论的信度、效度、难度以及区分度对每一份试卷进行质量分析,确认试卷及相关数据是否具有进一步研究的价值。通过分析,删除不满足条件的数据,并将高质量的数据信息进行整理开展进一步研究。(2)为解决现有模型存在的问题,构建一种综合考虑了时间重要程度、学生成绩表现以及时间三方面的影响的学生知识点掌握概率模型。主要思路是从学生测试数据中提取知识点权重、失分率以及时间衰减因子三个重要因素进行模型构建,通过模型获得知识点推荐列表。(3)在学习资源推荐过程中,根据学生表现进行成绩等级评定,进而依照学生成绩等级,运用TOP-N推荐策略为学生推荐相应难度等级的覆盖薄弱知识点的学习资源。最终应用所提出的策略实现一个个性化学习推荐系统,达到学生进行查漏补缺的效果。