个性化推荐系统是互联网和电子商务持续深入发展的结果,个性化推荐可以准确快速地帮助人们从资源爆炸式增长的网络中获取有用信息。然而,随着“互联网+教育”发展战略的提出,个性化推荐在教育领域还有待发展。近年来在线教育迅速发展,各种在线学习资源与日俱增,导致学生陷入“资源迷航”,如何从海量资源中获取适合的习题资源成为研究热点。习题推荐系统可以帮助学生高效地学习,具有很重要的意义。本研究以初中数学习题为研究对象,探讨相似数学习题推荐模型。数学习题特征复杂,包含文本与数学表达式,且拥有众多分类标签,目前习题推荐算法大多通过挖掘相似用户向目标用户推荐习题,鲜少考虑习题本身的特征。针对这一问题,本文提出融合数学表达式和标签的相似数学题推荐算法,目的是向用户推荐当前习题的相似数学题,不断的强化练习。首先基于树形码计算数学表达式相似度,然后利用数学习题的标签信息进行数学习题相似度计算,最后探讨相似习题推荐模型,设计并实现相似数学习题推荐系统。本文的主要研究工作如下:（1）数学习题中常会包含大量数学表达式,是度量数学习题相似度的重要因素。针对目前习题相似度计算主要利用文本信息,忽略了数学表达式,导致现有习题相似度计算不准确,进一步导致数学习题推荐系统习题推荐准确率不高的问题,提出一种基于树形码的数学表达式相似度计算方法（MES＿TC）。本研究根据数学表达式格式的特殊性,将Math ML格式的数学表达式转换成二叉树结构,利用树形码记录节点的结构信息,通过对树形码相同的节点进行深度匹配并给出相应的深度惩罚来计算表达式相似度,从而将数学表达式信息融合到习题的相似度计算之中。实验结果表明,本方法相比基于文本的推荐有较大的优势,在推荐准确率、F1等多个指标上平均提高了2%～4%。（2）针对数学习题中应用类习题推荐算法计算过程中文本信息失效、数学表达式信息不足等问题,提出一种基于标签的数学习题相似度计算方法（ERe LS）。该方法的主要思想是:利用习题的辅助标签信息,采用标签类别加权计算相似度。首先,通过分析数学领域的知识特征和数据集中标签集的特点,把数学习题标签集分为了数学核心素养,考察的知识点和习题难度三个类别,然后分别通过不同的方法计算出不同类别标签信息的相似度,最后利用标签类别加权相似度计算获取相似数学题列表,通过top-N筛选出排名靠前的数学习题进行推荐。通过基于标签的数学习题相似度计算方法能有效解决文本信息失效和表达式信息不足的问题,进一步提高数学习题推荐的准确率,实验表明,该方法相比其他习题推荐模型都具有一定的优势,在推荐准确率指标上提高了6%～30%,在F1指标上提高了5%～20%。（3）在上述研究的基础上,本文提出融合数学表达式和标签的相似数学习题推荐算法（SERe MELT）,并基于该算法完成了相似数学习题推荐系统的设计与开发。在该系统中,用户可以通过当前所练习的题目找出相似习题进行强化训练,不断加深对该类习题的理解和应用。