“互联网+教育”正不断变革在线教育的教学模式,个性化学习被认为是未来教育的一种重要学习方式。但由于互联网中各种学习资源同质化与优质资源的供给不足并存的现象,导致学习者在学习过程中面临着选择什么样的资源进行学习以获得最佳效果等问题,有必要研究适合不同学习者自我调节的适应性学习策略,以根据学习者的学习特征与偏好推荐合适的学习资源,进而满足学习者的个性化学习需求,这些已成为当前在线学习领域研究的热点问题。论文以大规模在线学习环境为背景,构建学习路径模型和学习者模型,并利用长短期记忆网络(LSTM)构建一种新颖学习路径推荐方法,为学生在线个性化学习提供导航,以帮助其提高学习效率。主要工作主要包括两个方面:提出了基于聚类的学习路径生成算法(Clustering-based learning path generation algorithm)。该方法基于学习者的基本特征计算学习者之间的相似度,将相似度较高的学习者划分到同一个聚类簇中,然后在同一个簇里寻找与目标用户相似的学习者的学习路径,根据聚类结果生成目标用户的推荐学习路径。该方法通过对学习者和学习路径进行初始推荐,可进一步为LSTM训练提供输入。提出了基于长短期记忆网络的学习路径推荐改进算法(Learning path recommendation based on Long Short-Term Memory Network)。该方法通过训练一个扩展的长短期记忆网络模型,将最近的学习路径推荐给学习者并利用该模型预测学习者的学习效果,根据预测结果选择合适的学习路径推荐给学习者。实验结果表明,所提出的模型与其他传统推荐模型相比较具有更好的适配性和准确性。