随着“互联网+教育”的不断深入,在线学习系统成为许多人获取知识的新途径。但在线学习系统中存在着同质化、个性化不足等问题。利用个性化资源推荐技术构建个性化、智能化在线学习系统已成为当前的研究热点。本文利用深度学习算法结合个性化推荐算法的特点,构建了高效的学习资源推荐算法,能够有效地提高推荐准确率,使学习者进行在线学习时获得更加个性化、智能化的学习体验。论文的主要工作包括两点:(1)在对传统的推荐算法进行详细分析总结的基础上,针对推荐算法中性能易受数据稀疏状况影响的问题,提出了有监督的神经推荐模型(SupervisedNeural Recommendation, SNR)。该模型利用堆叠的自动编码机模型进行对学习者学习行为数据进行特征提取,再利用其特征进行输入还原与评分预测以达到推荐的目的。模型中利用对象与用户的结构化信息构建分类过程并使用胡博函数对模型参数进行约束,有效地提高了推荐模型的准确性。实验结果表明所提出的模型与最新方法相比具有更高的推荐准确率。(2)针对传统推荐算法中的“冷启动”问题,提出了基于卷积神经网络的内容推荐算法(Content-Based Learning Resources Recommendation Algorithm by Convolutional Neural Network,CBCNN)。在CBCNN中使用卷积神经网络模型根据学习资源的文本信息估计其隐含因子特征,并完成推荐。为了训练卷积神经网络模型,使用话题模型作为其输入并提出了使用L1-norm稀疏先验的隐含因子模型作为输出,为了求解稀疏先验约束的隐含因子模型引入了分裂布雷格曼迭代法作为优化方法。实验结果表明,所提出的方法能够一定程度上解决新对象与冷门对象的推荐问题,并有着较高的推荐准确率,引入的分裂布雷格曼迭代方法可以极大地提高模型训练效率。所提出模型的主要贡献在于构建了一个利用卷积神经网络模型分析对象内容的推荐算法,并不需要对对象内容进行人工标注。