由于课程知识点结构的复杂性以及在线学习过程中行为方式的多样性,导致同一认知水平的学习者在线上学习过程中形成的学习知识地图及取得的学习效果均存在差异性。本文针对学习者在在线学习平台中产生的多维交互行为数据进行协同分析,主要开展了以下研究:1.针对现有知识地图推荐算法未有效挖掘学习者交互行为规律的问题,以及协同过滤推荐中学习者相似性计算的局限性,本文提出了一种基于协同过滤的个性化知识地图推荐算法。首先,根据在线多维交互行为刻画了学习者的知识点交互程度,并根据在线测试成绩刻画了知识点掌握程度,结合知识点交互程度和掌握程度刻画了学习效果。其次,研究了基于知识点交互程度差值差异性的修正因子,根据知识点平均交互程度刻画了知识点交互程度差值的权重系数并改进了相似性计算模型,有效避免学习者相似性计算的局限性且提高了预测效果。最后,结合学习效果与学习者相似性,对目标学习者推荐个性化知识地图。2.针对基于协同过滤的个性化知识地图推荐算法未考虑目标推荐学习者与其相似邻居的差异性及推荐的多样性的问题,本文提出了一种基于相似学习者差异性的多目标推荐知识地图修正算法。该算法基于目标推荐学习者与其相似邻居在初始认知水平上的差异性,从知识地图的整体结构、局部结构及其节点属性三个方面提出了四条修正规则,对基于协同过滤的推荐知识地图进行了多目标修正。根据目标推荐学习者的知识点掌握程度对所提修正算法进行了验证。通过推荐的精确率、召回率以及F1值与MAE值验证了本文所提推荐算法的有效性;根据推荐知识地图与实际学习知识地图在学习时长、路径及效果上的差异,分析了本文所提算法在实际学习中的意义。实验结果表明,本文提出的算法取得了较好的推荐效果,有助于提高学习者在线学习的效果及效率。