互联网知识学习较传统学习具有任务明确,学习过程中学习者知识与能力同步增长的特点,但同时面临着海量知识资源与个体学习需求难以匹配的重大挑战。推荐算法是解决该问题的有效途径,但是由于互联网知识学习的特殊性,现有推荐算法既无法满足学习者循序渐进的学习需求,也无法达到挖掘学习者学习兴趣与学习潜力的要求。本文的主要研究内容有:1)研究互联网知识学习环境中学习者的行为建模以及知识资源建模,着重考虑学习者的领域偏好及其在各领域水平能力、知识资源所属领域及其难度水平等特征;2)将学习者及知识资源模型与现有推荐方法相结合,研究适用于互联网知识学习的个性化知识推荐方法;3)利用人类学习行为中固有的“迁移性”,研究如何将迁移学习应用于跨领域平台知识推荐,从而提高知识推荐算法精确度,挖掘学习者兴趣与潜力。本文首先提出基于项目的迁移学习方法,并针对该方法采用公开数据集进行验证,实验证明方法是有效的,且在辅助集数据较稠密,目标集数据稀疏时效果明显;提出基于迁移学习的知识推荐算法框架,并将该框架应用于在线评测系统,并通过实验验证框架的有效性和适用性。基于迁移学习的互联网知识推荐有利于推动互联网知识学习的发展,为未来建设更加智能化、个性化的互联网学习环境,提供有效的解决方法。