研究学习路径规划,可以从学习者在线学习行为数据中发现有用的隐性学习行为模式,有利于帮助初学者或低参与度的学习者合理地安排在线知识点的学习顺序,有助于在线学习者高效、系统地完成学习目标。本文通过对在线学习行为数据进行协同分析,研究了两种学习路径规划算法。本文研究的主要内容包括以下两方面:1.针对现有学习路径规划算法未能考虑在线学习者对知识点掌握程度的问题,提出了一种基于KL散度和矩阵特征向量相似度学习路径规划算法。该算法首先根据学习者在线学习行为数据集,建立知识点概念交互达成度模型和有向加权学习路径网络,提出了有向加权学习路径网络知识节点间的局部结构相似度度量方法。其次,基于学习者KL散度矩阵,提出了基于矩阵特征向量相似度的学习行为相似性计算方法,用于对学习行为相似的学习者进行聚类分析,分析出每类学习者的个性化最优学习路径。最后通过聚类算法和有向加权复杂网络的评价指标均验证了该算法的优势。2.针对现有学习路径规划算法研究存在学习行为数据聚类不精确的问题,提出了一种基于KL散度和差值矩阵相似度学习路径规划算法。该算法首先在KL散度矩阵的基础上,提出了基于差值矩阵相似度的学习行为相似性计算方法。其次,与基于欧式范数矩阵相似度模型、基于矩阵特征向量相似度模型的聚类算法相比,基于差值矩阵相似度模型的聚类算法在聚类评价指标上有了进一步的提升。最后,基于差值矩阵相似度的聚类算法对学习行为相似的学习者聚类,分析出每类学习者的个性化最优学习路径,通过有向加权复杂网络的评价指标验证了该算法的优势。利用从网络学习平台中获取的在线行为数据集和在线测试数据集对本文提出的学习路径规划算法进行实证分析,结果表明学习者的学习效果得到了较高的提升,验证了本文所提算法的有效性和可靠性。