近年来,随着互联网和教育信息化的高速发展,网络教学已经成为信息时代深受欢迎的教育模式,为学习者提供了十分丰富的教学资源。然而,在带来便捷的同时,网络教学也存在着一些急需解决的问题,例如浩瀚的教学资源易导致用户迷失在信息空间中,难以找到感兴趣的资源,进一步使得大量优质资源得不到充分利用并且降低了用户的学习效率。因此需要提供更优质的服务策略,帮助用户高效的找到所需教学资源。将推荐技术应用到网络教学中来为学习者提供有针对性的服务成为网络教学中重要的研究内容。本文详细分析了常用的几种个性化推荐技术的优势和不足,结合教学资源的特征,选取协同过滤推荐算法对教学资源进行推荐,并对其进行了改进以缓解推荐过程中产生的可扩展性问题、数据稀疏性问题和用户冷启动问题。主要研究工作包括:(1)针对可扩展性问题,考虑相似用户对资源属性偏好也相同的特点,利用基于最大距离的K-means聚类算法对用户进行聚类。算法选取距离最大的用户作为初始聚类中心,通过离线聚类将对资源属性有相同偏好的用户划分到同一个簇中,并在与目标用户相近的若干个簇中查找最近邻居,从而减小了邻居查询的时空开销。(2)针对稀疏性问题,本文提出一种基于用户评分和资源属性偏好的推荐模型。在查找目标用户最近邻居时,考虑用户、资源和资源属性的关系,采用评分相似性和资源属性偏好相似性相结合的方法,充分利用有效信息挖掘出了更多相似用户,提高了系统的推荐质量。(3)对于用户冷启动问题,提出了基于用户特征和信息熵的推荐模型。根据用户特征相似性查找最近邻居,并通过信息熵度量用户评分的信息量,在邻居用户簇中选取信息量较大用户评分数据的平均值作为新用户预测评分的根据。(4)基于MovieLens数据集,对本文提出的改进算法进行了实验。实验结果表明,相对于传统的协同过滤算法,本文提出的改进算法提高了推荐的精度。最后,在对教学资源建设平台详细分析的基础上,将改进的算法应用到教学资源推荐系统中,并利用收集的数据对算法做进一步的验证。