随着信息技术的发展,线上教学平台和传统课堂都产生了数以万计的数据。由于教育环境的特殊性,这些数据通常具有庞大、多维、异构的特点,不仅包括教育管理系统中的学生基本信息、课程参与、成绩统计、图书阅览等异构数据,还包括了学生使用学习平台所生成的大量点击流数据,如交互数据、学习行为数据等多模态数据信息。虽然这些教育数据中蕴含了大量学习行为信息、交互信息、学习效果评价信息,但是对于没有掌握数据挖掘和数据分析技术的教育教学工作者和学生而言,通常很难处理和解释这些数据,更难以有效利用。困难主要集中在以下方面,一是在学习过程中教师很难及时地收集学生的有用信息,掌握其学习动态,从而导致指导困难;二是学生因不能全面了解自身情况,对于学习能力、学习兴趣进行的误判,从而导致学习效果不佳。如何发掘教育数据的内在价值,使其服务于师生,是当前急需解决的问题。为了解决以上问题本文以用户画像为枢纽,分别使用数据可视化技术、课程推荐算法来对教育数据进行深层挖掘。教育数据可视化是以图表的方式呈现教育数据中的隐含信息,包括学生学习规律和行为特征,能够帮助教师与学生从复杂数据中识别有意义的信息,从而挖掘教育数据平平无奇表面下暗含的教育认知信息,理解复杂的教育现象,同时也极大地发挥了人类视觉认知高通量的优势。教育数据可视化方法已经成为教育教学的策略制定、反馈干预、教学评价和个性化学习的重要支持手段。用户画像能够使用教育数据对学生的兴趣、能力、成绩等进行建模。构建学生画像,既可以用于评价学生的学习行为、学习效果、兴趣偏好,又可以基于学生画像进行成绩预测和学业预警,辅助教育工作者进行决策并制定个性化学习策略。课程推荐是解决教育数据信息过载的主要手段。当面对大量的课程时,学习者很难选择出与自己兴趣和能力相匹配的课程,而合理的选择课程可以提高学习效率与学习成绩。那么使用课程推荐算法就可以很好地为学生用户推荐合适的课程,极大地缓解教育数据领域的信息过载问题。本文根据上述内容主要进行了以下研究:（1）使用高校学生历史行为数据构建了教育数据可视化分析模型。首先,以用户画像为枢纽,针对树图与南丁格尔玫瑰图的各自特点构建了一种径向树图与南丁格尔玫瑰图融合的可视化分析模型（Tree-Nightingale rose diagram）,简称TR图,该图在层次数据展示与可视空间利用方面有着独特优势;其次,结合LR算法与GBDT算法的各自优势,使用LR+GBDT融合模型对于学生能否以优异成绩毕业的概率进行了预测,并将预测结果使用可视化仪表盘进行了展示,充分利用了人类视觉高通量特点;然后,使用改进的K-prototypes聚类算法对于学生群体进行划分,并将群体特点标签化,方便制定个性化学习策略;最后,将以上内容融合,构建了基于用户画像的多图表融合模型,在解决多图表联动与图表融合问题以及制定个性化学习策略方面有独特优势。（2）针对教育领域的课程推荐中的冷启动与准确性问题给出了独特的解决方案。针对冷启动问题中因数据缺失无法计算相似度问题,使用漏斗图与矩形树图构建了学生兴趣画像,依据学生兴趣画像可以通过兴趣偏好权重数值计算用户相似度,从而解决冷启动问题;针对推荐准确性问题,依据教育数据的特殊性,提出了基于全局评分的相似度改进课程推荐算法,指出获得高分的课程项目具有更大的信息量,并且使用聚类算法与统计均值众数与之结合确定参数,实验结果也表明基于全局评分的相似度改进课程推荐算法具有更好的效果。（3）根据上述研究内容构建了一个教育数据可视化与课程推荐系统。教育数据可视化及课程推荐系统主要面向教育教学工作者与学生,以提高学生的学习效率、学习成绩、制定教学方案、改进教学计划、提升教师工作效率和探究教育规律为直接目的。