在知识开放共享的背景下,在线学习平台的发展势如破竹,人们的学习行为也随之改变。大量用户进入平台,积累了海量数据,而如何基于大数据挖掘分析用户价值以及平台如何为用户提供个性化服务一直是研究热点,然而以往的研究更多是放在电商、银行等传统行业,基于在线教育领域的研究较少。本文依托某在线职业教育平台的用户数据进行相关的用户价值细分和课程推荐策略研究,主要研究工作如下:（1）利用改进RFM（Recency、Frequency、Monetary）模型和熵值法构建新的用户价值细分模型。首先,结合教育平台的用户特征,在原有RFM模型的基础上增加课程选购数、付费率以及学习时长三个用户价值指标,形成改进RFM模型。其次,通过比较三种聚类算法在k=4时DBI、轮廓系数、C-H值的大小,选定K-Means++算法进行用户群体划分。最后,使用熵值法计算指标权重,加权求和得到各用户群的价值得分及排名,并给出相应用户群的运营建议。（2）给出基于关联规则算法的课程推荐策略模型。首先,对全部用户和各用户群的课程数据采用关联规则算法分别进行课程关联分析。其次,找到各自的强关联规则结果并进行可视化。最后,根据模型结果给出各自的最佳课程组合,便于平台对用户进行课程组合套餐推荐,提高用户购课积极性。（3）给出基于改进余弦相似度的物品协同过滤算法课程推荐策略模型。首先,基于前文得到的优质用户群,采用改进余弦相似度的物品协同过滤算法进行课程推荐模型构建。其次,通过调整模型中的参数值,观察推荐算法指标结果,选取最优参数为平台用户进行课程推荐。最后,将模型与基于物品的协同过滤算法其他模型进行比较,本文模型指标更好,具有较优的推荐效果。本文的研究是基于用户价值细分的课程推荐策略的方法研究,同时为职业教育的在线学习平台提供了一个可参考的案例,其中提到的相应的个性化服务和运营策略都具有一定的借鉴性。