近年来,随着互联网技术的快速发展和终生学习理念的不断加强,利用互联网进行在线学习得到越来越多用户的关注和实践。在线学习使世界各地的用户跨越了时间和空间的限制,实现随时随地学习;同时,在线学习对于促进教育资源共享、教育资源公平性,也具有十分重要的应用价值和现实意义。国内外学者针对在线学习系统展开了大量的研究,取得了显著的成果。但由于在线学习系统具有用户学习风格不同以及学习资源海量的特点,导致在线学习系统研究中,仍存在以下问题,有待进一步解决和完善。(1)网络学习共同体的高效构建。在线学习系统不同于传统的学习方式,合理构建学习小组,共同完成学习任务,对于提升用户的学习效果和学习效率有至关重要的作用。因此合理地组织学习群组,构建网络学习共同体尤为重要。(2)智能的群组推荐算法。海量的学习资源,导致出现信息过载问题,用户难以从中选择适合的资源。推荐算法可以帮助用户推荐合适的学习资源,但是,群组推荐算法,不仅需要考虑单个用户的偏好,同时需要考虑群组内其他用户的偏好,推荐结果需要尽可能满足群组所有用户。本文以在线学习系统为研究目标,针对以上问题,开展深入的研究,主要的内容与创新点如下:(1)针对在线学习系统具有众多不同风格用户的特点,本文提出一种用户自适应分组的算法,解决网络学习共同体高效构建问题。本文首先通过使用余弦相似性的方法,计算用户之间的相似度。其次,采用改进的密度峰值聚类的算法,对用户进行第一次聚类,将相似的用户聚集,实现初步分组。然后,针对初步分组的结果,分别采用融合密度峰值的K-means聚类算法,对用户进行第二次聚类,完成最终分组。最后,构建网络学习共同体群组,使用动态调整机制,对用户进行自适应调整分组。实验结果表明,本文提出的自适应分组算法,针对在线学习系统具有更好的分组效果。(2)针对在线学习系统具有海量学习资源的特点,本文提出一种基于注意力机制的群组推荐算法,解决信息过载问题。本文采用聚合模型的群组推荐方法,对网络学习共同体群组中成员的偏好进行聚合,通过推荐算法,生成群组推荐列表进行推荐。首先,基于注意力网络构建注意力机制群组推荐模型(Attention Mechanism Group Recommended,AMGR),聚合群组内用户偏好。其次,使用神经协同过滤框架方法(Neural Collaborative Filtering,NCF)预测项目得分。最后,进行top-k推荐。实验结果表明,群组推荐算法对于相似性较高的群组具有更好的推荐效果,本文提出AMGR模型性能具有一定的优势。(3)基于以上研究成果,设计并实现一款基于群组推荐的在线学习系统,为用户和群组推荐学习资源。