随着网络技术的飞速发展,网络中的信息资源呈现出爆炸式的增长,人们能够从互联网中获取丰富的信息资源,同时互联网已经成为人们获取信息的主要途径之一,然而随着网络信息的不断增加,当用户面对大量的网络信息时,容易淹没在信息的“海洋”里,造成信息过载的问题。人们通常使用信息检索技术来查找所需要的信息资源,但是这种方式越来越不能满足人们日益增长的个性化需要,使用信息检索技术需要人们对信息进行准确的描述,但是在很多情况下,用户其实对自己的需求并不是很明确或者很难用简单的关键字来进行描述,同时传统的信息检索技术是基于关键进行检索,因此它不能够挖掘用户的潜在兴趣点,只能发现用户已经感兴趣的信息,因此为了满足人们对个性化服务日益增长的需求,于是便产生个性化推荐技术。目前在国内个性化推荐技术在教育领域中的应用还比较少,相关的理论和应用的研究也比较匮乏,发表相关的论文比较少。从总体上来看国内的个性化推荐的研究还处于起步阶段,与国外相比,还存在一定的差距,例如国内个性化推荐的方法过于单一,并没有施行多样化推荐,单一的推荐往往推出的结果较为单调,无法满足用户的多样化需要,同时在推荐的过程中缺乏智能化处理水平,自动化程度比较低,因此通过混合式的使用推荐技术,发挥其各自的优点,从而使推荐结果的多样性,本文将采用多种推荐技术,实现多样化推荐。随着学习资源网的不断建设,学习资源也在不断的增加与丰富,面对大量的学习资源,容易造成信息过载的问题。本文主旨设计一套个性化资源推荐系统,通过分析学习者的学习行为,主动的向用户推荐学习资源。通过混合的使用推荐算法,结合不同推荐技术的优点,达到推荐结果的多样化,更好的满足用户的个性化需求,在一定程度上解决信息过载的问题,本文中的研究主要包括以下部分:(1)通过对现有的相关文献进行梳理,本文将对个性化推荐技术的相关理论进行介绍,并且阐述其研究现状以及应用领域,比较常见的推荐技术的优缺点,并从中选出最适合的推荐技术,应用于本文设计的资源推荐系统中。(2)制定用户对学习资源的评分标准,用户的评分数据的获取主要通过两种途径,分别是隐性方式和显示方式,显示方式即用户直接对学习资源进行评分,隐性方式是由系统来完成。用户登录后,系统会自动地跟踪用户在系统中的学习行为,当用户浏览、收藏、推荐学习资源时,系统会根据评分标准将用户对学习资源的操作转换成相应的评分数据,从而形成用户与资源的评分矩阵。(3)通过对一些常见的个性化推荐技术进行比较,本文选择了协同过滤推荐算法和基于社会标签的推荐算法,协同过滤推荐技术应用比较广泛,性能比较成熟,只需要用户对项目的评分数据即可对其进行推荐,其优点在于能够挖掘用户潜在的兴趣点,但也存在一定的不足,例如冷启动问题,在系统初期,由于数据比较稀疏,这将会影响其推荐的效果,因此为了解决冷启动问题,本文引入Slope one算法来对其进行处理,通过对稀疏的数据进行填充,从而提高基于用户的协同过滤推荐的准确性,通过实验测试结果表明,Slope one算法能够在一定程度中缓解因数据稀疏的问题对推荐效果的影响。基于社会化标签的推荐是通过用户的标签行为建立起用户与目标项目的联系,从而挖掘用户的兴趣,本文将采用基于社会化标签的推荐算法对文本资源进行推荐,通过对文本资源设置社会化标签,再利用文本相似度算法从而计算出与目标资源最相似的学习资源,并将其推荐给学习者。(4)本文将设计并实现一套学习资源推荐系统,并阐述系统的总体框架、需求分析、数据库设计,子模块设计等。