随着互联网+教育的飞速发展,在线学习受到大众的欢迎,与此同时在线学习资源大量涌现,但学习资源的质量难以把控,不利于学习者学习,直接影响在线学习的质量。因此,准确的分析并提高在线学习资源的质量,对提高用户满意度、帮助在线学习平台的长远发展具有重要的意义。为了能够精准地分析在线学习资源的质量,论文结合研究内容的特征使用K-means算法作为在线学习资源的聚类算法,并根据K-means算法的优缺点对其进行改进。论文将改进的K-means算法应用到在线学习资源质量分析中,设计并实现了在线学习资源质量分析系统。论文的主要工作如下:(1)提出了CWK-means算法。论文针对K-means在聚类过程中会有一些属性影响聚类结果,提出增加权重因素;对初始聚类中心比较敏感,随机选取初始聚类中心可能会陷入局部最优解的情况,提出了初始聚类中心选取方法。将这两点改进融入到K-means算法中,最终提出了基于权重的初始聚类中心的K-means算法(简称CWK-means算法)。论文详细介绍了CWK-means的算法思想和步骤,最后通过实验证实了CWK-means算法的有效性,该算法在学习资源数据集中的平均聚类精确度比K-means算法提高了约7个百分点。(2)提出基于CWK-means的在线学习资源质量分析方法。首先根据在线学习资源质量分析的特征和需求,建立了学习者模型、学习者投入度模型、学习资源评估体系和学习资源质量分析模型,将CWK-means算法应用在学习资源聚类中,提出基于CWK-means的在线学习资源质量分析方法,并通过实验验证基于CWK-means的在线学习资源质量分析算法在学习资源质量分析上具有较好的实际应用价值。(3)完成了在线学习资源质量分析系统的设计与实现。论文针对在线学习资源质量分析系统的需求,将基于CWK-means的在线学习资源质量分析算法应用到该系统,通过对系统的架构、功能、数据库的设计,并使用现有的开发技术,实现了在线学习资源质量分析系统并投入实际使用,最后对该平台的实际运行数据进行分析,最终证明该系统具有实际使用价值。