近年来,随着互联网和网络学习社区快速的发展,信息技术正以惊人的速度改变着人们的学习方式,与此同时,学习迷航、知识过载等问题逐渐显现出来。个性化学习推荐逐渐成为人们快速学习和掌握知识的一种重要手段,一定程度上改善了学习迷航以及知识过载的问题,同时也体现了以人为本的个性化自主学习模式。个性化学习推荐系统通过分析学习者的特性和学习行为等记录信息,向学习者推荐其可能感兴趣的服务,已成为社交学习网络和教育数据挖掘等领域的研究热点。目前,协同过滤是个性化推荐系统应用最广泛的、较成熟的算法之一。但是,基于协同过滤的推荐算法依然面临一些瓶颈问题,例如:稀疏性、可扩展性、冷启动等难题,有待进一步研究和解决。针对数据稀疏、可扩展性和精确度问题,本文提出了一种基于增量协同过滤的个性化推荐算法。本文的主要工作如下:首先,本文提出了一种双层行为驱动下的多Agent协同评分模型。利用学习者社会网络关系和Agent动态感知和交互能力,并结合个体行为度量的兴趣度、群体行为度量的信任度和影响力对学习资源进行协同预测评分,降低预测评分偏差。其次,针对传统协同过滤算法中的稀疏性、可扩展性和精确性问题,提出一种基于增量协同过滤的个性化推荐方法。利用双层行为驱动下的多Agent协同评分模型,降低数据稀疏性带来的干扰,提高预测评分的可靠性;采用动态k-means聚类对样本空间进行动态划分,修正协同过滤提取的最近邻问题,以及增量式更新机制,从而来提高算法推荐的效率和精度。最后,采用CSDN数据集进行对比实验。验证了依据双层行为驱动下的多Agent协同评分模型的推荐算法可以提高算法的推荐精确度。实验对比分析,表明本文提出基于增量协同过滤的推荐算法具有更高的精确度和可扩展性。