随着互联网技术的应用,在线教育领域得到迅速的发展,人们获取知识的途径也变得更加便利。网上用户可以灵活地通过在线学习平台上获取学习资源,并进行在线课程学习。在大数据时代,随着在线学习用户人数不断地增多,学习者在面对海量学习资源的数据时,需要花费较多时间和精力去筛选课程的相关内容。而推荐系统是能够处理这些“信息过载”问题的有用方法之一,能够为学习者提供个性化在线学习资源课程推荐服务。尽管推荐算法在其他领域上的研究取得了较好结果,但在线课程资源推荐系统应用还相对较少。一方面,使用传统推荐算法解决课程推荐时,数据稀疏性、冷启动等问题依旧存在;另一方面,由于没有挖掘出学习者与课程的深层次特征而导致推荐结果还有待进一步提高。针对这些问题,本文提出了一种基于自注意力机制编码器和课程相关性解码器相结合的自动编码器神经网络的在线学习资源课程推荐算法,具体研究内容如下:（1）针对在线课程推荐中存在在线教育数据稀疏性,不能较好地区分不同课程对学习者偏好的重要性程度,同时在训练中不能有效地学习学习者和课程深层次的特征导致推荐结果不理想的问题,提出一种自注意力机制编码器方法。利用了学习者与历史课程复杂的非线性交互关系数据,并对课程特征添加了相应的注意力系数,挖掘不同历史课程对学习者的重要性水平,得到学习者与课程交互的深层次特征表示,使得推荐结果更加地准确。（2）针对在线课程推荐中存在冷启动,缺乏对推荐结果的可解释性,以及忽略课程隐式特征对学习者更好地接受推荐结果的问题,提出一种课程关联性解码器方法。将课程描述文本信息转换成词向量表示,输入到孪生长短时记忆网络中,同时嵌入了注意力机制捕获课程层次关系,并利用曼哈顿距离函数计算课程关联性。将本文提出的基于自注意力机制编码器和课程关联性解码器的自动编码器算法应用于在线课程推荐问题,不仅对学习者偏好建模,并结合课程属性特征,生成推荐评分排名列表并提供个性化推荐服务。实验结果表明该推荐算法具有良好的推荐性能。