教育资源信息化建设的蓬勃发展,引发了教育资源“信息过载”和学习者“知识迷航”的问题,为了缓解这一问题,众多研究者引入推荐技术实现对教育资源个性化推荐。针对上述问题,研究者从电子商务推荐系统、电影推荐系统得到启发,将协同过滤等推荐方法应用于教育资源领域。由于教育资源的特殊性,通用的推荐方法在教育资源推荐中存在性能低下导致用户体验度不佳的问题,同时新用户冷启动、推荐效率、准确率低等问题仍客观存在。本文结合深度学习和自然语言处理技术提出了基于学习者模型的教育资源混合推荐算法用于教育资源推荐领域,提出的方法既研究目标用户的个人基本信息和行为信息,同时还对目标用户、教育资源、其他用户的学习能力和水平进行计算。实验数据集为通过网络爬虫采集至某教育网站的真实数据,主要工作包括:1、缓解冷启动问题。结合深度学习和自然语言处理技术,首先使用自然语言处理技术在深度学习框架下对新用户的注册信息和个人信息进行分析以此用于分类,其次根据分类结果找到目标用户所对应的类别,然后再通过计算目标用户和类内其他用户学习水平相似度,找到相似用户集,最后融合计算确定最终相似用户集合,进行教育资源推荐。2、提升计算效率。首先对目标用户分类,进行类内相似度计算,其次计算目标用户和同类其他用户学习能力相似度。类内计算减少了计算的时间,学习能力计算可以进一步找出与目标用户学习能力和兴趣两方面都契合的用户,提高推荐的准确率。3、多角度提升推荐准确率。在推荐方法中引入热门资源惩罚因子和用户兴趣动态变化因素。解决教育资源推荐中用户兴趣动态变化和热门教育资源对推荐结果的影响。实验结果表明,在与传统推荐方法的对照中,提出的方法可以有效地缓解冷启动问题,提升了计算效率和推荐结果的准确率,该方法在教育资源推荐中取得了良好的效果,具有一定的实用意义。