随着互联网技术的快速发展,在线学习越来越受到用户的欢迎。2020年新冠疫情导致大量用户选择在线学习方式,由此带来海量的学习信息。用户数量和流量是在线学习社区的核心竞争力,为用户推荐学习伙伴可以减轻在学习过程中的孤独感,提高用户的活跃度和对学习平台的黏度。因此,如何准确地挖掘出用户的学习兴趣,为其推荐学习伙伴变得尤为重要。学习伙伴推荐已有很多相关研究工作,但仍面临以下三个主要的挑战:（1）现有的公开学习数据集存在社交网络稀疏问题,且无法准确提取到用户的细粒度学习兴趣,导致学习伙伴推荐的效果一般;（2）已有的学习伙伴推荐方法研究忽略了用户学习兴趣序列的时间演化性,无法预测用户未来的学习兴趣,导致学习伙伴推荐准确度降低;（3）缺乏一种准确的学习伙伴推荐方法。针对上述挑战,本文提出了一种基于细粒度兴趣的学习伙伴推荐模型,主要贡献如下:（1）爬取学习数据集和提取细粒度兴趣标签。本文利用网络爬虫技术,抓取了中国大学MOOC网和豆瓣读书两个学习数据集。此外,提出了一种提取用户细粒度兴趣方法。从课程/书籍介绍文本中提取关键词,构建标签系统并利用聚类算法提取能够代表用户细粒度兴趣特征标签。大量的离线实验证明,细粒度兴趣标签能够有效地提升学习伙伴推荐的准确度。（2）用户兴趣序列的时间演化性建模。本文分析了用户的学习兴趣序列特征,通过添加时间感知控制器和语义感知控制器对兴趣序列的时间演化性进行建模,预测用户的兴趣标签。实验结果表明,本文所提出的兴趣序列时间演化性模型能够较为准确地预测用户的兴趣标签,并降低用户-项目评分矩阵的稀疏性。（3）提出基于细粒度兴趣的学习伙伴推荐模型。本文结合用户的细粒度兴趣和兴趣序列的演化性提出了一种在线学习伙伴个性化推荐模型。此外,还分析了用户的社交影响力和兴趣领域对学习伙伴推荐结果的影响。实验结果表明,本文所提出的学习伙伴推荐模型比现有方法表现更好。