在线学习作为“互联网+”时代下互联网技术在教育领域的产物,它是通过将教育理论知识融合在互联网技术以后形成的一种全新的教学模式。相较于传统的学习方式,在线学习这种新的学习方式有其自身特有的一些优势。特别是近段时间以来受新型冠状病毒肺炎疫情的影响,学生们便可以通过在线学习的方式进行课程学习。如今这一崭新的学习方式逐渐被越来越多的人所接受。当前,虽然在线学习有着学习方式便捷、学习内容丰富等诸多优势,但是用户在学习过程中会明显感到在线学习平台上的资源过于纷繁杂乱,不能根据用户的特点和需求对用户学习进行个性化引导,很容易让用户在大量的网络课程中迷失方向,造成用户在学习体验和学习效率上都会大打折扣。基于以上的问题,本文通过对在线学习平台用户和课程的数据进行特征提取和分析,探索如何针对用户的需求来对在线学习平台中的学习资源进行个性化推荐。本文重点的研究内容和成果可以概述为以下三个方面:（1）针对在线学习平台上课程特征的提取问题,提出一种基于深度学习的教育领域课程知识实体和关系联合抽取方法。该联合抽取方法可以从在线课程非结构化文本中同时提取课程知识点实体及其关系,从而缓解了错误传播的问题。另一方面,由于联合模型中的一些参数可以被实体识别任务和关系分类任务共享,这有助于模型捕获两个子任务之间的交互。同时,在提出的联合抽取模型（XMMC）中,还利用XLNet预训练模型从课程语料库中获得文本的字向量。在上下文编码方面使用了一种双向形变的门控循环单元（Mogrifier Bi GRU）。另外,我们将一种多头注意力机制（Multi-headed Attention）应用于XMMC模型中,通过计算输入字之间的相关性,将关注的重点放在句子中的相关字上。该联合抽取方法可以较为准确的对在线课程的知识点实体和关系进行提取。（2）针对目前在线学习平台不能很好的根据课程具体内容和用户学习行为进行学习引导。在课程具体内容方面,基于工作（1）,通过联合抽取方法可以对在线学习平台课程内容进行实体和关系的抽取。根据抽取的课程知识点进行相似课程的判断,同时根据课程知识点之间的关系来生成课程知识链。在用户学习行为方面,通过对用户在线学习行为数据进行分析,本文以学习时长数、讨论数、访问数、任务点完成数、学习课程数这五个变量利用基于信息熵的学习者行为权重分配方法进行用户相似度判断和聚类。最后基于课程具体内容和用户学习行为对学习者进行个性化课程推荐。（3）针对在线学习个性化推荐的结果,现有研究仅仅考虑了学习者的兴趣偏好,没有考虑到推荐给用户的课程质量。但并非所有的在线课程都是高质量和良好学习体验的课程,因此往往导致最终推荐给学习者的课程质量得不到保证。我们提出了一种在线课程质量评估指标体系,对推荐算法生成的推荐列表中课程进行评估,去除质量低的课程,确保推荐给用户的课程符合用户需求的同时也具有高质量。