随着移动互联网的快速发展,我们进入大数据背景下信息大爆炸的时代。互联网与其他产业的融合推动着科技的进步和社会的发展,如互联网+教育、互联网+医疗、互联网+金融等。人们身边充斥着大量的数据信息,出现了信息过载的问题。为了降低此问题给人们带来的困扰,推荐系统应运而生。推荐系统它的本质在于在用户没有明确的需求情况下,从海量的信息中寻找用户会感兴趣的信息,大大地提升了信息的分发和获取的效率。如今,人工智能产业全球化势不可挡,IT行业进一步发展,IT人才的短缺现象越来越严重。传统课堂教学存在时间、空间、教育资源的局限性,已不能为企业培养优秀的工作者。于是,线上学习日渐流行,成为多数学生丰富自身技能的新途径。然而,许多线上学习平台虽打破了时间和空间条件的限制,并提供了丰富的学习资源,但没有针对学生进行个性化培养,也未能及时检验学生学习情况。近年来,推荐系统已广泛应用在电商网站、视频网站、咨询和生活服务类平台,效果显著。将推荐系统应用于学习网站,关注学生用户学习习惯与内容倾向,针对不同的学生推荐不同的学习资源,会大大提升学生用户的体验度和学习效率。此外,社会化推荐作为推荐系统研究领域较为活跃的方向之一,推动了个性化推荐的发展进程,有助于增强用户黏性。所以,将社会化推荐与传统的推荐算法结合起来,实现一个基于混合推荐算法的学生学习演练平台具有十分重要的现实意义。为了实现基于混合推荐算法的演练平台,本论文主要研究了以下内容:1、介绍了演练平台的研究背景及意义,然后详细介绍了推荐系统、基于内容的推荐算法和协同过滤推荐算法以及混合推荐算法,描述了冷启动问题和相似度的计算,简述了开发技术框架。2、详细分析和概述了演练平台的需求。通过数据建模和实验选择协同过滤中的Slope One算法和社会化推荐中的TrustSVD算法完成混合推荐算法模型的设计。3、将混合推荐算法模型应用到平台,实现了一个基于混合推荐算法的演练平台,学生端提供题库与学习、比赛天地、数字化图书馆、推荐论文网站、WIKI、发现与探索模块、个人中心模块,教师端提供比赛管理、教学总览、评选优秀笔记、题库管理、图书资料管理、在线答疑模块。实验和测试表明,平台功能基本符合预期,并且能进行有效的个性化推荐。