教育信息化背景下,在线学习平台得到了广泛利用,随之增长的还有学习者在线学习过程中所产生的数据,这些海量数据让学习者面临着“信息过载”和“信息迷航”的困境。如何在海量资源中快速选择适合、准确的学习资源是当今教育信息化所面临的一个巨大挑战。在线社交网络的研究已日渐成熟,但在教育领域,聚类这一概念还没有进行广泛的探索研究。本文进行领域社交学习网络中的学生属性研究,意在揭示来自于在线学习系统中的学生行为活动数据之间的联系,以进行学习资源的群体性推荐。基于学生在线学习,分析学生特征,把学生的学习目标、学习效率等属性作为聚类参数进行社区发现。构建学生属性社区是为了分析由不同属性构成的特定学生群体的行为差别和学习效果差异,对学生进行群体性资源推荐,弥补以往资源个体推荐形式所造成的资源浪费,也有助于解决冷启动和数据稀疏性等问题。论文基于学生属性,研究对社区内具有相同或相似属性学生的资源推荐方法。主要内容如下:第一,学生属性获取。通过对Moodle平台中的9项活动提取关键字,采集学生在平台使用过程中产生的数据,进行数据预处理;收集三类研究变量的相关数据:学生属性,情感状态,以及处于参与或脱离学习的状态,构建学生属性三层模型。第二,多重社区及其聚类挖掘。通过对学生属性的特征研究,结合聚类算法处理数据,将具有相似属性的学生群体划分为一个社区结构,挖掘多重学生属性社区,并研究同一社区内的学生情况。根据一个学生社区当前学习情况的系统分析,得出同一社区内学生群体性的认知水平、知识点掌握情况等客观学习因素及学习偏好、接受程度等主观学习因素。第三,针对学生属性社区的特点,使用协同过滤推荐算法,提出融合学生属性和学习目标的推荐机制,结合学生社区的知识结构和学习偏好进行推荐。在资源推荐过程中,从两方面进行。其一,建立学习资源之间的关联。通过对学习资源进行语义关联分析,将教学过程中的学习资源进行联系;其二,建立学生与学习资源的关联。对学生社区进行分别分析,掌握同一社区内学生的学习情况,偏好信息,针对社区进行学习资源的推荐。