二十一世纪是互联网的时代,“互联网+教育”使学生们的学习方式发生了变化,由传统的实体课堂转移到网络课堂,从老师面对面解惑答疑到上网搜索解题资料。学生今后不光采用集中化地听课方式进行学习,还可以借助于互联网进行多样化的学习,提高学习效率。但是,随着互联网的高速发展,数据信息呈爆炸式地增长。如何在海量的数据信息中挖掘出学生可能感兴趣或需要的教学资源,并根据学生的自身特征将这些教学资源推荐给他们,这无疑对提高学生的学习效率和学习效果有着重要的现实意义。不同的学生根据自身特征会形成不同的学习风格,学习风格近似的学生,他们所关注的教学资源也会相似。而基于物品的协同过滤的推荐算法是依据相似的人群关注的物品也相似这一原理建立的。基于以上分析,本文选用理论成熟、实用性强的基于物品的协同过滤推荐算法建立教学资源推荐系统。为不同学习风格的学生推荐出他们所需要的教学资源提供支持。本文通过以下两种手段来提高协同过滤推荐系统的性能和推荐准确度。首先在对学生用户进行教学资源推荐之前,先将学生用户依据Felder-Silverman的学习风格量表的测试结果进行分组,然后分别对每组学生用户进行推荐,以此提高推荐的准确度。同时针对学生用户数量以及教学资源数量的极巨增加,采用Hadoop并行计算框架来开发教学资源推荐系统,利用CUR分解降维技术对基于物品协同过滤算法进行优化,并对优化算法进行并行化处理。用MapReduce编程模型方式进行具体实现,以分布式计算方式运行,多个任务节点较快速完成计算任务,数据矩阵最终在Reduce任务节点内进行合并处理,生产出可用的候选推荐列表。使本文研究的推荐系统适用于大规模的数据分析和计算任务。最后根据算法准确率、召回率、覆盖率这三个评价指标对基本的协同过滤推荐算法与优化后的协同优化算法在云平台上进行运算的结果进行比较,通过比较分析可以看到在用户数量比较大的情况下,优化后的协同过滤算法比基本的协同过滤算法在三个指标上均有不同程度的改善。