目前,海量的网络学习资源在学习平台中呈零散化的分布状态,学习者无法快速找到自己需要和感兴趣的资源,造成了“信息迷航与过载”的问题。为此大批学者开始研究将个性化学习与信息推荐技术相结合,但目前在教育领域,传统的在线学习平台中大多直接应用成熟的信息推荐技术,缺乏学习者自身的个性化特征分析,服务个性化程度较低。如何在学习平台中节省学习者检索资源的时间,从而提高学习效率和资源的使用率成为目前研究的热点问题。针对以上问题,本文从多个角度挖掘学习者个性化信息,对网络学习资源的个性化推荐方法展开研究。主要研究内容如下:1.网络学习资源与个性化推荐技术的选择密不可分。为了有效管理网络学习资源、组织核心知识与试题之间的对应关系,并且合理获取学习者有效的测评数据,本文依据布鲁姆教育目标分类理论,完成网络学习资源模型的构建。模型主要包括绘制知识结构图,组织学习资源库,编制课程章节测验。在此基础上,为了快速获悉不同类型学习资源的内容以及表征学习者偏好信息,本文提出基于标签对网络学习资源特征进行表示。2.学习者模型是实现学习资源个性化推荐系统的基础。本文针对教育领域中不同的学习者的学习目标和兴趣不同的问题,本文依据CELTS-11学习者模型规范、教育目标分类理论以及学习风格理论,通过分析所罗门学习风格量表获取的学习风格数据、学习者在章节测试获取的测评数据以及学习者在学习过程中留下的反馈数据,结合学习资源的标签特征,对学习风格、认知水平、兴趣偏好三种个性特征进行深入研究,完成学习者模型的构建。3.针对信息推荐技术在个性化学习的应用中个性化程度不高的问题,本文提出一种基于学习者模型的网络学习资源个性化推荐方法。该方法从不同维度去描述学习者静态和动态的个性特征,结合协同过滤推荐方法,向学习者推荐符合其个性化需求的学习资源。经过验证,本文的推荐方法在准确率、召回率和F₁值上均优于经典协同过滤推荐技术。并且学习资源的使用率得到有效提高,缓解网络学习平台中学习者的“信息迷航”问题。4.最后,为满足教育领域具体需求,设计并实现网络学习资源个性化推荐系统。首先对系统的总体架构和功能模块进行设计,然后通过整合校内外丰富的网络教学资源,以学习资源个性化推荐功能为核心,实现学习者信息获取、课程资源学习、学习资源管理、以及个人资源管理等功能,为学生能够提供有效学习辅助。