随着互联网技术的发展,网络教育已经成为一种重要与流行的自主学习方式。因此,人们对在线教育服务平台有了更高的要求,学习者已经不能满足通过传统的检索方式获得学习资源对象,同时,web2.0的飞速发展也使得共享学习资源对象严重过载,学习者很难从海量的学习资源对象中找到适合自己的学习资源对象。为了解决这些问题,大量的研究者投身于个性化推荐的研究。目前,协同过滤推荐算法风靡于电商领域,已经拥有了比较成熟的理论支持和技术支持。但是在国内外,对学习资源推荐领域的研究还是处在一个萌芽阶段。通过大量的文献研究分析,不仅发现不同知识背景的学习者选择的学习资源会有所差异,而且学习资源的推荐也不同于商品的推荐。学习是一个循序渐进的过程,学习资源对象之间是存在着一定的前后关联关系,这种关系不能单独靠大量人工标注,它应该是可以自主智能地组建。本文首先借鉴协同过滤推荐的思想,将相似特征学习者进行了聚类,认为处于同一个聚类簇的学习者有着相似的学习背景和兴趣取向,而不同聚类簇的学习者的学习背景和兴趣取向差异较大,从而完成学者的分类是进行个性化学习推荐的第一步;然后通过研究蚁群算法,发现无论食物距离巢穴多远,蚂蚁都会找到距离食物的最优路径,而现实生活中学习者进行的学习活动轨迹类似蚂蚁寻找食物的路径,因此在聚类的基础上分别对聚类簇应用蚁群算法,寻找出学习者选择概率最大的N个学习资源对象并推荐给学习者;最后对作者提出的推荐算法进行了实验检验与验证。本文的主要研究内容将从以下几个方面展开:(1)在相似特征学习者聚类的过程中,建立学习者与学习资源对象标签关系的矩阵模型,旨在降低内存占用率和时间复杂度。在聚类过程中,使用了 k-means算法,由于k-means算法对初始参数的选择局限性较大,本文对该算法进行适当优化。(2)分别在每个相似特征学习者聚类簇上应用蚁群算法,在寻找学习资源对象的过程中,将蚂蚁视为学习者,食物视为学习资源对象,信息素(蚂蚁在寻找食物的路径上留下的一种挥发性化学物质,该物质会导向其他蚂蚁的路径选择)视为学习者对学习资源对象的评分,分别对信息素、期望转移概率、启发式函数设计、信息素更新等计算方法进行了调整。(3)为了验证本文的推荐算法的有效性和可行性,使用豆瓣图书的评分数据,对本文的推荐算法、协同过滤推荐和蚁群算法等的推荐质量进行了比较。