伴随着互联网技术以及社交网络的跨越式发展，在线垂直学习社区网站不断涌现出来。这些垂直学习社区网站以兴趣为导向，资源极其丰富，专注于某些特定的领域，并提供全面深度的学习资源和相关服务。但其所包含的海量数据也使用户无法及时找到合适的学习资源，学习资源过载问题变得越来越严峻。针对不同用户进行学习资源的个性化推荐是解决这个难题的方法之一。但垂直学习社区网站中针对学习资源的评分数据十分稀少，因此传统的协同过滤推荐算法无法适用。同时垂直学习社区网站中存在着大量用户发布的博客、帖子等文本信息以及用户之间的交互信息，每个用户又有不同的学习风格，对于学习资源的需求有所区别，这些信息都为推荐提供了基础。
　　本文基于垂直学习社区中用户的文本及行为信息，研究了垂直学习社区中学习资源的社会化推荐方法。首先，基于用户产生的相关文本信息，利用作者主题模型从用户的角度对用户在相关主题上的分布进行了建模，构建了用户与主题的关联关系，进而发现了用户的学习兴趣，并且设计了基于用户的兴趣偏好的相似度计算模型，该模型适用于文本数据丰富而评分数据稀少的垂直学习社区环境；然后，基于垂直学习社区中用户之间丰富的交互行为信息构建了用户之间的全面信任模型，该模型既考虑了用户之间的信任关系，也考虑了用户之间的不信任关系。利用用户之间的关注、转发、浏览、评论及点赞等交互行为，建立了用户信任关系模型。利用用户之间的点踩等不信任行为建立了用户不信任关系模型，融合信任与不信任因素构建了全面信任关系，计算了全面信任度；接着，分析了垂直学习社区中用户多维度学习行为模式，设计了自动识别用户学习风格规则，为推荐匹配用户学习风格的学习资源做了铺垫；最后，根据基于用户以及基于项目的协同过滤推荐算法的思想，提出了综合用户兴趣相似度、全面信任度及学习风格的社会化推荐方法，包括基于用户的社会化推荐方法和基于用户与项目的社会化混合推荐方法。本文用 CSDN 实际数据集进行了实验分析，该数据集由17434位用户发表的26542篇博客内容和364565条交互行为数据组成，其中交互行为数据包含用户单向关注数据、浏览数据、评论数据、收藏数据、私信数据、点赞数据以及点踩数据。实验结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源，有效地提高了推荐精度，进而提高了用户学习效果。
　　本文第1章为绪论，第2章为相关研究文献综述，第3章为利用作者主题模型发现用户兴趣进而构建基于兴趣的相似度计算模型，第4章为综合考虑信任关系与不信任关系构建全面信任度计算模型，第5章为基于多维度用户学习行为设计学习风格识别模型，第6章为验证本文提出的垂直学习社区中基于用户的社会化推荐和基于用户与项目的社会化混合推荐两种方法，第7章为本文研究的总结与展望。