在线教育在互联网快速发展的今天,已经逐渐发展成现代人们学习的一种新途径。以慕课为代表的在线教育平台在近几年成为包括在校生及在职人士的重要学习平台。基于互联网技术的在线教育平台使得大量学习行为数字化,方便了规模化自动化的通过计算机技术分析学习行为,以此辅助教师的教学,给学生及时的反馈。我们通过好大学在线提供的脱敏在线平台用户行为数据进行分析,基于学习行为提供更好的教学学习建议,实现在在线教育平台上的自适应学习。然而在实际的工业数据中,情况较理想的数据集差别较大,数据的复杂性和稀疏性造成了模型学习的困难。本论文我们主要关注的是如何通过实际的学习行为数据对学生的学习效率进行预测。通过特征工程处理包括学生基本信息,测验信息,课程视频观看信息以及论坛交互信息这四种主要的用户信息,并通过在不同模型上的比较,提出在稀疏数据上较优的模型,并且通过自然语言处理技术提升模型的预测准确性,从而实现通过用户数据反馈用户的学习效率,为教师及学生提供相应的教学和学习建议。我们比较了不同类别的特征对学习者学习效率的影响,最后得到了最优模型测试准确率为65.27%,同时还尝试了对时序特征测验信息进行校正,对文本特征进行词嵌入处理,以进一步提高模型准确率。其中发现测验信息相比课程视频观看信息有更大影响,引入词嵌入后相比TF-IDF准确率提高了约3%。