随着互联网生活方式的普及和学习方式的革新,出现了越来越多的在线学习系统,用户可以随时随地在系统中进行学习。在线学习系统在给用户提供便捷的同时也给用户带来了困扰,用户无法快速地从海量的学习资源中寻找到自己感兴趣的资源。因此,本文将个性化推荐技术应用到在线学习系统中,帮助用户从海量的学习资源中找到他们感兴趣的资源,并推荐给他们。本文首先对所用到的关键技术进行分析研究。针对当前学习资源推荐算法中存在的问题,提出了融合深度学习的概率矩阵分解个性化推荐模型,通过Attention-CNN和LSTM网络能够更准确地获取课程隐式特征向量和用户隐式特征向量,提高推荐的准确性。同时,对该模型获得的课程隐式特征向量和用户隐式特征向量进行了聚类存储,为课程推荐引擎的设计提供数据基础。接着,基于聚类后的隐式特征向量和课程信息数据设计了课程推荐引擎,该引擎可以计算生成各类推荐场景的推荐候选集,包括个性化推荐候选集、相关课程推荐候选集和热门课程推荐候选集,为系统的课程推荐提供数据支持。然后,根据以上模型、课程推荐引擎和具体的业务需求为在线学习系统设计了一个低耦合、易扩展、高可用、高性能的系统架构,并给出了系统中各类服务器模块的设计方案。然后使用SpringBoot+SpringMVC+Mybatis+SpringCloud 框架来实现系统的各个模块。最后,对在线学习系统进行了功能测试和性能测试。测试结果表明,系统在功能和性能上均达到了预期目标。