“移动互联网+教育”快速发展,在线学习资源规模呈指数型爆炸扩张。过度的自由选择让学习者苦不堪言,现有学习平台数量多、课程丰富,缺乏对在线学习资源进行统一整合,以向学习者推荐具有层次性、连贯性和系统性的优质课程资源。因此,将深度学习和个性化推荐技术应用到在线学习资源推荐系统中,以帮助学习者从海量学习资源中找到他们最可能需要的课程资源并进行个性化推荐刻不容缓。鉴于此,本文提出了两个基于深度学习的推荐算法,一个是基于深度学习的协同过滤(Deep Collaborative Filtering,DCF)在线学习资源推荐算法,另一个是基于注意力的深度协同过滤(Attention-based Deep Collaborative Filtering,ADCF)在线学习资源推荐模型,并爬取慕课网站与学习者和课程相关的数据,构建userlabelrl数据集,对本文提出的两种算法在该数据集下的推荐性能进行评测。同时,本文开发了一个在线学习资源个性化推荐系统,通过应用本文所提出的两个推荐算法,能为学习者推荐个性化学习资源。具体工作如下:本文首先介绍了本课题的研究背景与意义,概述了国内外研究现状和本文的详细组织结构。之后,概述了相关算法,包括:矩阵分解、广义矩阵分解、多层感知器算法、注意力机制、深度学习算法和神经协同过滤推荐算法(Neural Collaborative Filtering,NeuCF)。接着,在广义矩阵分解模型之上,提出了拓展广义矩阵分解算法(Expended Generalized Matrix Factorization,EGMF),并证明了该算法在协同过滤推荐上比广义矩阵算法在命中率(Hit Ratio,HR)和归一化折损累积增益(Normalized Discount Cumulative Gain,NDCG)两个评价指标上有更好的表现性能。然后,在NeuCF推荐架构之上提出了基于深度学习的协同过滤在线学习资源推荐算法DCF和基于注意力的深度协同过滤在线学习资源推荐算法ADCF。其中,DCF模型不仅考虑了课程和学习者其他信息,还集成了EGMF,以此来提高推荐质量。而ADCF模型则是在DCF基础上引入了注意力机制思想,进一步区分不同历史学习记录对推荐结果的贡献程度。实验结果表明,本文所提出的DCF和ADCF模型在数据集userlabelrl上多项评价指标有显著提升。此后,本文对在线学习资源个性化推荐系统进行了需求分析与功能架构设计,给出了主要系统框架图和推荐流程引擎。最后,本文利用Python+Django+Xadmin+MySQL框架开发了一个在线学习资源个性化推荐系统,详细地介绍了各个模块的功能以及实现过程,并展示了系统最终运行效果。