随着信息技术和网络技术的飞速发展,Internet上的信息呈现着跨越式增长,伴随而来地就是信息过载问题。面对这些海量的信息,用户要准确地从中搜索到自己所感兴趣的信息或物品是不太容易的,这就使得推荐系统应运而生。它能够依据不同用户的偏好来提供相应的个性化推荐服务,凭借这独有的优势使其被广泛的应用,特别是在电子商务领域取得了相当大的成功。网络技术的迅猛发展,同样也使得教育形式有了很大的转变。教育不仅仅在传统的课堂上进行,也可以在互联网上开展。在线试题练习是一种对课堂学习的补充和巩固,同时也可以作为学生自主学习的平台。当系统中的试题资源越来越多时,向其推荐符合学生兴趣和需求的试题显得尤为重要。因此本文通过研究协同过滤推荐算法等相关技术,设计一个基于改进的协同过滤算法的练习测试推荐系统,目的在于为学生推送符合其学习特点和个性特征的试题。本文首先对推荐系统的国内外研究现状进行了简单介绍,并论述了课题研究的主要内容,研究的目的和意义是重点强调部分。然后对协同过滤算法的含义及分类进行钻研,重点针对基于协同过滤技术开展详细地阐述,包括相似度计算方法的对比,还举例说明了测评推荐效果的几种标准以及算法的优缺点。其次根据实际需求设计了本系统总体功能结构,以及系统所应用的推荐算法。本文的创新点是针对本系统用户的个性特征提出了用户问综合相似度的运算方法,还对聚类分析算法进行相关研究,提出了基于Prim最小生成树改进用户聚类方法,解决了最初簇类中心随机确定问题。通过对学生用户进行聚类分析,可以有效地降低算法中的最近邻查询空间,缩小问题的计算规模,并通过实验数据集进行验证。验证数据表明,改进算法的确使推荐系统的准确度和效果提升,也解决了冷启动和数据稀疏等不足。本文拟设计一个基于Prim改进用户聚类的推荐算法,并依托本算法实现了一个在线练习测试系统。系统的特点在于能依托学生学习水平特征为其推送个性化试题的服务。在学生不断练习的过程中,本系统不但可以促进学生对学科知识的理解和记忆,而且能辅助教师完成对学生学习成绩的客观评定和评价。