随着网络教育的发展，“信息过载”、“信息迷航”、“缺乏因材施教”、“环境孤立”等问题已经越来越突出，已经成为影响网络教育发展的关键问题。如何在网络教育平台上根据不同学习者的个性特征，如兴趣爱好、认知水平、风格习惯等提供不同的学习服务，满足学习者不同的需求；同时在平台上提供良好的互动学习空间，增加学习者之间的交互，提供学习者之间的高效交流、经验共享、互助、协同学习手段，最终构造满足个性化需求的协同学习平台，相关技术近年已成为网络教育技术领域的研究热点。　　 本论文围绕网络教育环境下的个性化协同学习技术展开。通过对多兴趣自组织学习社区模型、构建和动态调整算法的研究，建立一个能反映出学习者兴趣特征的个性化协同学习平台；在此平台上，进一步对资源推荐技术、资源快速搜索技术和答疑技术进行了研究，给出了在多兴趣自组织学习社区平台上实现既满足学习者个性化特征同时又体现学习者之间协同学习的个性化协同推荐、搜索和答疑解决方案。在上述研究工作中，取得了以下创新性成果：　　 1．结合自组织社区和智能代理技术提出了一个基于三层中间代理结构的多兴趣自组织学习社区模型。在此模型下，多个具有相同或相似兴趣的学习者被关联到同一个学习社区，而同一个学习者因同时具有多个兴趣而和多个社区关联，该模型更能准确地刻画网络学习环境中学习者兴趣和社区特征。　　 2．提出了利用领域本体计算知识点（关键字表示）之间的语义距离和语义相似度的方法，打破了传统关键字匹配算法中“不同关键字之间语义相互独立”的假设。根据从日常学习活动中获得的知识点访问频度评价加权值，提出了基于密度的学习者兴趣聚类算法，并根据获得的学习者兴趣特征模型提出了多兴趣自组织学习社区的构造算法和动态调整算法，将学习者准确而高效地组织到多兴趣学习社区中。　　 3．提出了利用非负矩阵分解(NMF)技术解决多类别标识问题，该方法有效地避开了语义相似度的计算，论文通过实验将NMF和其他方法，如K-Center、FCM进行了性能比较，说明了NMF解决多类别标识问题上的有效性和性能上的优越性；提出了利用NMF进行社区初始构建和建立学习者与社区之间多兴趣关联关系的算法，通过对学习者知识点频度评价加权矩阵实施NMF获得学习者聚类，并利用分解结果进行学习社区构造、建立学习者和社区之间的多兴趣关联关系。该算法和2中提到的算法相比，不需要刻画和获取学习者兴趣，方法更加直接。　　 4．针对学习者兴趣变化引发社区结构和社区与学习者之间关联关系发生变化的问题，提出了附加修正增量式非负矩阵分解算法（AM_INMF），分析表明AM_INMF在增量式分解效果上优于INMF、BNMF，由于该算法只针对新增数据进行附加、修正映射，避免了对全部数据重新实施分解，大大减少了时间消耗，实验也表明AM_INMF在时间耗费上大大优于NMF且利用该算法对社区进行动态调整可以满足系统对实时性的需求。　　 5．提出了一种基于多兴趣学习社区模型的个性化协同资源推荐方法，由于仅对待推荐资源内容感兴趣的社区成员推荐，大大提高了推荐资源的接受率，同时也由于仅需要计算社区兴趣和推荐内容间的相似性，避免了每次推荐计算待推荐资源内容和各个学习者兴趣相似性带来的高时间消耗；提出了综合基于语义相似度的资源库资源搜索和学习者之间协同资源搜索的搜索策略，给出了一种即能利用系统已有资源也能从其他学习者处获得新的资源的实用方法；提出了在资源搜索过程中利用搜索条件和用户反馈对资源进行自动语义标注的算法，给出了一种新的资源获得语义描述的途径。　　 6．针对学习过程中的答疑环节，提出了一个结合自动和互动答疑的个性化协同智能答疑系统框架，在该框架下，学习者提出的问题将会在系统问题库和其他学习者处获得问题回答，该方案即满足了实时答疑的需求也利用了协同学习的优势。在系统实现中，具体提出了基于语义词、带权关键字的问题描述模型和语义词、关键词反向抽取策略，避开了复杂且准确率不高的分词环节；提出了结合关键词、关键词权重以及问题访问频度的问题匹配算法，提高了问题答案的满意度；提出了结合社区结构、问题时限、学习者登录频度和用户负载的个性化问题分发策略，减少了在协同答疑过程中因过多无关问题的干扰可能造成的问题回答率的降低。