随着信息技术在教育领域的广泛深入应用,以MOOC为代表的在线学习方式受到越来越多学习者的青睐。与传统的教学方式相比,MOOC学习有着许多课堂学习不具备的优点,如不受时间地点限制、受众门槛低、学习资源丰富等。然而,随着MOOC的不断普及,该学习方式也逐渐暴露出诸多问题:由于缺少教师及时有效地指导和干预,学习者往往被淹没在海量的资源中,无法找到符合自身需求的学习资源,易产生知识迷航及主题漂移等问题,导致学习效率低下甚至丧失学习兴趣。据统计,国外知名MOOC学习平台edX上的课程完成率仅有5%,国内MOOC学习平台学堂在线的课程完成率仅有4.5%。个性化课程推荐能依据学习者的学习能力和兴趣爱好等个体特征,向其提供个性化的课程资源,这是MOOC学习领域的研究热点之一。与此同时,教育理论与实践表明,学生接受并掌握知识是循序渐进的,只有遵循科学合理的学习路径才能实现高效地学习。因此课程推荐系统除了考虑学习者能力和兴趣以外,还应该充分地考虑课程之间的前后序关系。然而,现有的课程推荐算法主要关注于课程资源的推荐,针对学习路径规划的研究较少,这也是MOOC学习退课率居高不下的重要原因之一。事实上,MOOC学习中的个性化服务涉及多方面的技术,其中学习路径规划和学习者退课行为分析是MOOC学习环境中两个密切相关的关键技术。因此,本文以MOOC学习为应用场景,首先从课程教材中挖掘课程关键字,再以此计算课程基础度来判断课程的前后序关系,进而实现学习路径的规划;然后根据学习者在遵循学习路径开展学习过程中产生的学习行为来预测学习者的退课行为,并在学习者处于退课高风险时加以干预。主要研究内容包括:（1）构建课程知识图谱。首先从课程教材等文本信息中提取课程关键词,根据关键字计算课程的基础度,从而确定不同课程在所属专业领域的基础程度,然后通过不同课程间的链度来构建课程知识图谱。（2）学习路径规划研究。在获得课程知识图谱后,根据学习者已有的知识储备和学习目标,通过模拟退火算法来规划学习路径,实现在覆盖学习者学习目标的基础上尽量减少其所需学习的课程数量,节省学习者的学习时间。（3）学习者退课行为研究。在为学习者规划个性化学习路径后,学习者遵循该学习路径开展学习活动并产生学习行为。由于各种因素的影响,学习者可能会产生退课行为。本文从学习者的历史学习行为数据中分析和提取可能导致退课的行为特征,然后用不同算法针对这些特征进行训练,分析影响学习者退课的关键行为特征;最后通过学习者的退课结果验证课程资源对学习者退课行为的影响。