随着信息技术与数据科学的飞速发展,以及“互联网+”教育创新理念的提出,个性化E-learning受到学校教育和家庭教育的广泛关注。教育信息化的发展,使在线学习用户数量急速增加,而学习资源数量也以爆炸式的速度呈现,这让学习者在学习过程中面临着“信息过载”和“学习迷航”等困境。面对浩瀚如海的学习资源,如何在有限的时间内,挖掘和推送适合学习者发展的学习资源,从而实现“因材施教”和“个性化发展”至关重要。为了满足学习者的个性化需求,个性化学习资源推荐系统应运而生,根据学习者的特征差异为其推荐合适的学习资源、学习环境和学习伙伴。在个性化学习资源推荐系统中,最关键的就是学习者模型的构建。目前,大部分学习者模型普遍存在关注维度不够科学、特征属性获取方法单一和表示方法可计算性差的问题。这些问题会造成学习者的学习能力与推荐的学习资源难度不匹配,甚至会导致学习者在学习过程中的认知过载或迷失。本文针对上述问题进行研究,旨在通过构建学习者模型和学习资源模型为个性化学习资源推荐提供强有力的支撑,有效缓解推荐过程中的冷启动和稀疏性问题。本文的主要研究内容如下:(1)学习者偏好模型构建。通过分析学习者在学习过程中的行为数据,提取学习者认知能力、知识水平、学习偏好三个特征进行学习者模型分析。其中,主要针对学习偏好信息进行详细的研究,并利用Ontology构建学习者偏好模型,更好的实现知识之间的语义关系,从而发现学生的学习兴趣。(2)学习资源模型构建,细化个性化学习内容。基于Ontology构建学习资源元数据描述模型及中学知识点模型,并用OWL语言描述。(3)研究个性化学习资源推荐模型。通过分析学习资源推荐方法中存在的移植性差和学习资源类型高度复杂的问题,进而选择协同过滤推荐算法。在学习者和学习资源双重聚类分析的基础上,改进协同过滤推荐算法,进行个性化学习资源推荐。实验结果表明采用双重聚类协同过滤推荐算法进行推荐的效果更好。