传统的学习方式局限于课堂,学习资源的来源局限于图书馆,在这样的一种学习环境中,每一位同学的学习行为都受到了很大的限制。基于云桌面技术的校园系统和慕课的出现使得学习的时间和空间限制被打破,然而由于这些限制被突破,使得学习对象直面种类繁多的海量学习资源。如何快速的在这些学习资源中获取真正适合自身需要的学习资源,成为了学习对象需要解决的首要问题。如何使得学习对象更简单快速的获取符合自身需要的学习资源,是本文的研究重点。本文根据当前的现状总结了三种学习场景——基于慕课的学习场景、基于学术研究的学习场景以及基于校园教学的学习场景。传统的校园系统中往往侧重于课堂教学和校园公告,对于学习对象的学习行为仅仅只是记录,却并未将这些数据进行充分的利用,本文通过分析了这些场景的特点,探讨了常见的推荐算法在这些学习场景的适配情况。最后根据推荐算法的特点和学习场景的实际情况,进行了算法的适配研究。在基于慕课的学习场景中,根据学习行为的具体情况与学习对象的反馈适配基于物品的协同过滤算法,通过对学习资源的属性进行了模型建立,使用慕课网日志文件解析后的前80%的数据进行训练,得到推荐列表,然后对比后20%的数据,获取推荐准确率。本文的提出的算法准确率达到了25.6%,相比较于原本的慕课网站中的算法的准确率,提升了41.4%。在基于学术研究的学习场景中,通过对于学习场景的分析,以及学习资源的特点归纳,提出了这种学习场景下的基于内容的推荐算法。收集部分学习对象在学术论文撰写过程中耗费的时间和实际查阅的学术论文的数目,以此作为算法的实验数据,证明了这一算法在学术研究中帮助学习对象在论文查阅数目上减少了31.7%,查阅时间减少了33.2%。在基于教学的学习场景中,根据校园云桌面中的实际使用情况,分析了可以采集到的学习对象的个人特征信息和学习特征信息。由于这些学习数据的复杂性,本文在这一学习场景中采取混合推荐算法,根据对基于内容的推荐算法、基于物品的协同过滤算法和基于用户的协同过滤算法设置不同的权值,设计了完整的混合推荐算法流程。通过调查问卷的方式获取模拟数据,对混合算法进行了测评,获取了较为理想化的混合模型算法权值比重,最终的混合算法推荐成功率为32.676%。