随着在线教育和终身学习理念的普及,越来越多的学习者通过在线学习平台获取各个学科领域的课程,以满足自身个性化学习的需要。然而随着课程数量越来越多,学习者很难快速、准确找到自己所需要的课程,即遭遇信息过载和认知迷航问题,因此如何根据学习者偏好为其推荐个性化课程,成为在线学习平台提高课程服务质量亟需解决的重要问题之一。学习者特征是反映学习者偏好的重要方面,而学习者模型是对学习者特征的抽象表示与描述,因此为了提高课程推荐的准确率,需要构建准确、完善的学习者模型。目前对学习者模型的构建多从认知水平、学习风格等方面进行,忽略了学习者对课程所表达的情感,而学习者情感是学习者的重要特征之一。然而,传统的学习者情感分析往往认为学习者在一条评论中只表达一种情感极性,忽视了学习者在评论中对课程所表达的方面情感,因此无法细致地反映学习者多个方面的学习偏好。为了构建准确完善的学习者模型,需要把学习者的方面情感纳入到学习者模型之中,以提高课程推荐的准确率。本文首先基于注意力机制长短期记忆网络(AT-LSTM)从学习者课程评论中抽取出学习者对课程的方面情感,然后基于CELTS-11规范将其纳入到学习者模型构建之中,并同时考虑了学习者的人口统计学、认知水平、学习行为、学习风格等特征要素,以构建一个融合了学习者方面情感的较完善的学习者模型,最后利用深度神经因子分解机(Deep FM)对学习者特征和课程特征之间的复杂交互关系进行建模,以实现精准的课程推荐。为了验证本文所提出方法的有效性,本研究在大规模开发课程Edx数据集上进行了实验。实验结果表明,融合了学习者方面情感的学习者模型能够更准确地反应学习者偏好,同时利用深度神经因子分解机进行课程推荐,能够有效提高课程推荐的准确率。本研究将学习者方面情感纳入学习者模型构建,丰富和完善了学习者模型,为学习者模型的理论研究和应用研究提供了参考,具有借鉴意义;同时,结合深度学习技术进行课程推荐,能够大大提高课程推荐的准确率,有助于学习者的学习效率和个性化学习质量的提升,也有助于在线平台的长远发展。