教育信息化进入了新的发展阶段,正在从数字教育转为以数据挖掘、机器学习等技术为支撑的智慧教育。随着在线教育平台的逐步兴起,更多的学习者选择中国大学MOOC、学堂在线等平台进行在线学习,由此积累出海量课程数据和行为数据。本文提出构建学习者的个性化模型,包括对性格、态度等的分析模型和对背景知识结构的构建。学习者个性化建模是一个相对笼统的概念,具体包括对学习者的属性分析、性格分析、态度分析以及知识结构分析等方法。本文将学习者的属性划分为自然属性、行为属性和高级属性等,并提出基于规则类的标签生成模型将学习者的基本属性进行标签化管理,最终将结果展示到用户画像系统。对于学习者的性格分析模型,提出采用艾森格的五因素性格模型,从学习者的日志、行为等数据提取特征数据集,并设计了卷积神经网络来训练模型,最终从五个不同的角度对学习者的性格进行分析。对于学习者的学习态度分析模型,提出基于多元聚类的态度分析模型,从学习者的行为数据中提取与学习行为相关的特征集,包括平台学习时长、访问频率、观看视频时长、讨论区发帖量、回帖量以及课程成绩等,通过单变量选择、递归特征消除、主成分分析或随机森林等特征选择方法筛选具有较高相关性的最优特征集,进行聚类分析,最终选择基于主成分分析的特征选择方法,将学习态度分为“积极主动型”、“半途而废型”、“敷衍了事型”和“拖沓懒散型”四类。对于学习者的背景知识结构模型,提出个性化贝叶斯知识追踪模型,从学习者的课程数据中提取与知识点相关的测验数据,通过改进传统的贝叶斯知识追踪模型,将学习者的初始知识掌握概率、学习速率、对测验的猜对率和误错率添加到模型中,并定义新的参数模型,通过模型的计算问题和学习问题找出最大对数似然估计,求出最优解。针对参数估计的最优化问题,采用了EM算法、梯度下降法、拉格朗日梯度下降法等方法,寻求参数的最优解,最终训练模型得到不错的效果。本文基于学习者的个性化模型构建了用户画像系统,从学习者属性、标签管理、搜索记录分析、性格分析、知识结构分析等方面刻画出学习者的不同特征,为学习者个性化推荐和辅助学习提供了基础,最终实现了能够刻画出学习者的个性化特征的展示系统。