随着互联网时代人工智能与大数据的兴起,“互联网+教育”理念使得中国教育发生着改革。从古至今,“因材施教”一直都是我国教育界秉持的教学理念,即针对不同的学习者设计个性化教学方案。随着科技和社会的发展,学习者个性化特征获取与量化有着相应的理论体系,个性化的学习方案也得到了相应研究。在各方面研究的促进下,自适应学习系统也得到了有效发展,但由于推荐效果不理想也限制了自适应学习系统向着更深层次发展,所以如何针对不同的学习者进行不同的学习资源推荐成为研究的热点和难点。教育领域传统的资源推荐策略包括了基于协同、基于内容以及基于关联规则的推荐,这些传统的推荐策略虽然比较经典,而且在不同的领域都有着不错的发挥,但这些推荐方法与策略存在着不能很好捕获学习者状态变化的缺陷,以至于不能根据变化调整推荐策略。除此之外,通过知识追踪获取学习者知识状态的方式中存在处理稀疏数据乏力,缺乏对学习参与者遗忘机制考虑等因素,导致知识追踪效果不是很理想。针对目前研究存在的不足之处,本文做了以下研究工作:1、融合元学习的“充分利用历史数据”与学习者的“遗忘机制”,提出基于元学习与遗忘机制融合的知识追踪模型,解决学习数据稀疏、位置敏感、学习者知识遗忘等问题。利用时间卷积网络为知识追踪模型提供对历史数据的高宽带访问,利用自注意力机制与遗忘机制计算出历史数据的相应权重,据此作出学习者对知识点是否掌握的预测,并获取学习者知识状态。2、考虑强化学习可根据最大奖励机制来做决策的能力与图嵌入对图的表征能力,从图嵌入与强化学习角度研究自适应学习资源推荐,设计基于图嵌入与深度强化学习的自适应学习资源推荐框架。3、依据学习者模型规范与个性特征,使用UML技术对学习者模型进行构建。并利用知识图谱对知识领域模型进行构建,为资源推荐做准备。4、挖掘学习者与相似学习群体的学习活动序列,构建学习活动序列图谱,使用Structure2vec网络框架对学习活动序列图谱进行表征建模并参数化节点评估函数Q,并利用深度强化学习对该网络进行训练,找出最优学习活动序列。融合学习者特征、最优学习活动序列以及领域知识模型进行推荐。并结合案例数据与其他模型在推荐准确性、平均排序分方面进行效果对比,确定算法的有效性。