随着云计算与教育信息化的结合,教育云平台以其方便的资源共享、快捷有效的集中式管理、广泛的区域覆盖率以及优质繁多的教育资源等优势正得到越来越多的教育机构和用户的青睐,这直接导致了存储在教育云平台中的课件资源的急速增长,海量的课件资源引发了用户学习时候的“信息过载”问题,用户仅凭传统的分类检索和关键字检索的方式已经很难找到自己真正感兴趣的课件,推荐系统的出现正好为该问题提供了可行的解决方案。但是现在针对用户提供的个性化推荐服务,大多是基于用户对某些物品的评价信息,一旦用户没有评价信息就不能为其准确推荐,并且现在大多数流行的推荐算法基本都是基于单机模式的,其计算能力和系统扩展性都有很大的限制,不能真正适应云平台下的海量数据分析和处理。为此,本文设计并实现了基于教育云平台的个性化课件推荐系统。本文以为教育云平台中的用户提供个性化课件推荐服务为目标,首先,总结了教育云平台和推荐技术的国内外发展现状,研究了推荐系统的构建模型和基于Map Reduce的程序设计过程。然后针对本课题的实际情况,从用户兴趣建模、课件对象建模、课件推荐算法建模和高性能海量数据处理等方面对系统进行了需求分析,提出了系统实现的总体架构,并采用Map Reduce的计算方式对课件对象模型和用户兴趣模型进行了详细的设计,最终实现了基于主题的隐语义课件推荐模型、基于课件内容和课件流行度的课件推荐模型,完成了对课件的推荐。最后对系统从功能和性能两个角度进行了测试,并对重要功能的实现进行了效果展示。本论文相关工作的先进性主要体现在以下两个方面:(1)整个课件推荐系统的构建过程都是基于Map Reduce计算模型,充分利用了云平台强大的数据处理能力,离线计算用户推荐结果,解决了传统单机推荐模型计算能力不足,实时推荐时间过长的问题。(2)提出了一种全新的基于BFIUF(behavior frequency inverse user frequency)的用户兴趣模型。该模型借鉴了TF-IDF(term frequency–inverse document frequency)的思想,采用特殊的方式计算用户对他有过行为的课件的偏好程度,而且在该模型中引入了时间上下文信息以反映用户过去的行为对近期偏好的影响。基于该模型和课件模型,系统计算出的用户-主题兴趣模型,更能反映出用户近期的个性化主题偏好,由此推荐出的课件也更能符合用户的个性化需求。