随着教育信息化进程的推进,在线教育平台的发展势头迅猛,教育平台内置大量的学习资源,虽然能够丰富学习者的选择,但同时也会带来信息过载的问题。而个性化推荐服务起到信息筛选和过滤的作用,是自适应教学服务的关键技术之一,能自动高效地为学习者提供其感兴趣、有价值的教育资源。一直以来,个性化推荐效果遭受数据稀疏问题的影响。系统中资源量、用户量巨大,但是相较而言,用户对资源的交互记录很少。而且传统的个性化推荐中,待推荐的资源一般是同一类,是单一领域推荐。而学习者在不同阶段学习内容的种类不同,使用的在线教育平台可能也不同。因此为了缓解稀疏问题和更贴合学习者真实的学习情况,本文提出了一种多领域推荐策略。多领域推荐能为单一领域推荐补充领域间相关的可以共享的信息。多领域推荐是指联合利用多个领域的资源上的交互记录来提升各领域内资源的推荐效果。本文就多领域推荐主要开展了以下两方面工作。(1)提出了多领域神经网络推荐模型(Multi-Domain Neural Network Recommender,MDNNR)。不同领域是指处于同一系统中的不同种类的资源,但有一致的用户。基于用户在不同领域之间对资源的使用信息,利用一种新颖的多分支神经网络挖掘用户在领域间共享的偏好和领域内独特的偏好,构建协同过滤推荐器。该模型的用户共享特征并不是领域间相同的数值,而是相同的转换模式。模型在真实数据集上进行了实验,验证了该推荐方法的有效性。(2)以MDNNR的思想为基础提出了多领域深度学习推荐模型(Multi-Domain Deep Learning Recommender,MDDLR)。不同领域是指不同的异构系统,资源种类不同且没有对应的用户。基于使用数据,利用预训练的词向量,通过卷积神经网络处理名称、标签等短文本内容信息,帮助多分支神经网络架起领域间的语义桥梁,分解得到资源共享特征和领域独特的特征进行多领域推荐。模型在公开数据集上进行了实验,验证了推荐方法的有效性。本文提出的这两种多领域推荐方法虽然是针对教育资源进行推荐,但是也可以运用到其他物品系统的推荐中去。由于缺少在线教育平台的真实数据,本文使用结构类似的真实数据集进行了实验。