随着网络和数据库技术的飞速发展,在线获取学习资源已经成为一种潮流。学习者在面对种类繁多的海量网络资源时,“信息过载”和“信息迷航”问题正变得日益严重。以用户为中心,主动推荐信息和服务,能较有效地缓解这些问题。但是,基于协同过滤的推荐系统又具有“数据稀疏”和“冷启动”等不足。本文在构建用户兴趣模型的基础上将选择性集成学习技术引入用户模型分类,用以解决“冷启动”问题。集成学习作为机器学习的首要研究方向,能显著提高系统的泛化能力。同时,将内容过滤与协同过滤相结合,利用资源构成的相似性改进相似性计算方法,填充评分矩阵,有效解决“数据稀疏”问题。“基于集成学习技术的个性化智能导学模型的研究”属江西省教育厅科学技术研究项目,其宗旨是将集成学习技术应用于E-Learning系统中,建立个性化智能导学模型,提高远程教育系统使用者的学习效果,增强远程教育系统的利用率和吸引力。本文所做的工作隶属于该项目。主要内容包括:1、对集成学习技术和个性化推荐系统进行了深入的研究,在用户兴趣建模的基础上提出一种三层用户兴趣的两次细化模型,并通过引入兴趣遗忘机制对模型进行优化。利用决策树算法对收集的数据进行学习,结合选择性集成技术,根据模拟生物进化的遗传算法选择个体学习器,建立最优的用户分类模型,为改进协同过滤算法提供了基础。2、对协同过滤算法进行了研究分析,针对传统算法所存在的不足,提出一种改进的协同过滤算法。将内容过滤和协同过滤相结合,利用改进的资源相似性计算方法形成资源相似性链表,由用户对项目的评分智能预测未评分相似项目的分值,填充评分矩阵。有效解决在评分数据极端稀疏情况下,传统相似性计算方法所存在的不足,从而显著提高协同过滤算法的精度。3、设计并实现了基于集成学习技术的个性化学习资源推荐系统,系统将使用者的兴趣定位、个性划分和智能推荐相结合,实现了包括用户个性分析、智能推荐学习内容、学习方案智能产生等功能。在用户个性分析方面利用集成学习技术得到了更好的分类结果。