随着人工智能领域的快速发展,在线学习在教育领域也随之得到了快速发展,网络已经被广泛应用到学习中。虽然人工智能技术的发展使得用户获得学习资源更加便捷,但在错综复杂学习资源的背景下,如何在有限的时间内让用户明确学习方向,并智能化向用户推荐资源,帮助用户提高学习效率,更加全面掌握相关知识是当前迫切需要解决的问题。由于在线学习中存在着学习资源过多找不到恰当的学习方法与合适的问题,处理这些问题的主要在于如何使在线学习系统在大量增长的学习资源中找到适宜的学习路径,为用户提供精准的个性化资源推荐。针对上述问题,本文对每个用户不同的特性进行研究,并针对每个用户不同的特性实施个性化的资源推荐。以下为本论文的主要工作:(1)针对在线学习中学习资源安全性,对各种数据资源实现了分布式存储,并论述了数据集合在分布式数据库中是怎么分割的问题,最后采用词汇语义相似度及节点密度的分割方法。(2)针对不同用户不同特征,提出了基于知识图谱的排序学习推荐算法。该算法利用排序学习建立反馈特征模型,同时考虑到用户兴趣迁移问题,并建立用户迁移模型融合,然后和基本特征模型融合来建立混合模型,通过最后的混合模型实现Top-N推荐,来提高个性化推荐效果。(3)针对用户所学内容进行测试,提出了基于知识图谱的个性化试题推荐算法。首先提出一种构建知识点的知识图谱的方法,接着提出一种基于历史试题成绩数据下的一种启发式个性化试题推荐方法。最后通过测试表明算法的有效性。