受新型冠状病毒疫情影响,全国线下教学活动暂停,在线教育(E-Learning)迎来发展契机。用户使用电脑或移动设备即可在线学习,使得学习不再受到时间和空间的限制。但随着在线教育市场需求旺盛,各大平台需要在课程数量和质量上超越同行,才能吸引更多用户。从而使得在线教育平台上的课程数量逐年呈指数级增长,课程过载问题严重,用户很难从海量的课程中快速搜索出感兴趣的课程。解决课程信息过载的有效方法是将推荐系统应用到在线教育平台中,通过对平台上用户学习行为数据进行收集、建模,然后对构建的推荐模型进行挖掘分析,就能预测出用户可能感兴趣的课程,从而为用户提供个性化的课程推荐。本文主要研究内容如下:(1)通过对E-Learning平台课程推荐系统原型的需求分析与设计,确定了系统原型的用户用例、功能结构和系统总体架构,并对推荐系统推荐流程和数据库进行了详细设计。(2)通过对基于ALS(Alternating Least Square,交替最小二乘法)协同过滤推荐算法和基于TF-IDF(Term Frequency–Inverse Document Frequency,词频-逆向文件频率)的内容推荐算法的基本原理及优缺点研究,并对上述两种算法混合进行可行性分析,最终本文采用特征补充式混合策略对混合推荐算法进行设计。首先对基于TF-IDF的内容推荐算法中特征权重计算模块进行改进,融入时间因素,使得算法更契合课程的知识特性,接着利用基于内容推荐算法的推荐结果生成虚拟用户课程评分矩阵,将虚拟课程评分矩阵填充到原始课程评分矩阵中,然后使用ALS协同过滤算法进行评分预测得到最终推荐结果。最后为了验证混合推荐模型的有效性,本文在推荐算法的预测准确度和分类准确度两方面进行实验分析,经过实验验证,本文设计的混合推荐方法比传统的协同过滤算法具有更好的推荐效果。(3)在Spark分布式计算平台上实现了课程推荐系统,借助Spark集群提升了系统的计算能力。为了提高课程推荐系统的实时性,本文实现了实时和离线两种推荐服务,在离线模型得到预测结果的基础上利用Kafka和Spark Streaming进行实时推荐,缩减了用户获得推荐课程的时间。