在线学习平台为人们提供了能随时随地学习的机会,可满足用户的个性化需求。然而,在线学习平台中存在大量的课程资源,海量的课程能够满足不同人的需求,但是用户需要花费大量时间挑选符合自己需求和风格的课程,由此产生了信息过载的问题,为了解决这一问题,个性化的课程推荐系统应运而生。尽管推荐算法在其他领域上已经取得了较好的结果,但是在在线学习平台中还不够成熟。首先,学习是一个时间序列行为,序列是由会话组成的,同一会话中的行为彼此密切相关,是高度同质的,用户在会话中的随意行为偏离了会话兴趣的原始表达。其次,在课程推荐系统中仍然存在数据稀疏和冷启动的问题。最后,传统的推荐算法,往往认为学生的偏好是静态的,忽略了用户的长期偏好会随着时间的推移而不断改变。本文提出了一个融合会话兴趣提取的混合偏好课程推荐模型来解决上述问题。此外,本文还总结性地提出了一个课程推荐系统的逻辑框架。具体研究内容如下:（1）针对用户在会话中的随意行为偏离了会话兴趣的原始表达,且会话中的项目是高度同质的这一问题,提出了一个基于会话兴趣提取的课程推荐模型。考虑到用户和项目之间,项目和项目之间的高级复杂交互,在模型中引入注意力机制的同时嵌入用户的向量表示作为上下文信息,达到剔除噪声课程,提取会话兴趣的目的。不同时刻的会话兴趣对于用户来说具有不同的重要性,模型利用第二层注意力模拟会话间的复杂交互,最终得到用户兴趣表示。实验结果表明,该模型能够有效提升推荐系统的性能。（2）针对用户的兴趣是随着时间不断变化的,以及在线课程推荐中存在的冷启动问题,提出一个基于动态兴趣和短期兴趣的课程推荐模型。模型中的GRU模拟用户动态变化的兴趣,利用注意力机制区分不同时刻的动态兴趣对于用户的重要性。同时,短期兴趣所需数据量较小,用户最近点击的课程在推荐中是重要的参考因素,所以综合用户的短期兴趣输入到第三层注意力中得到用户混合兴趣表示。最后,结合候选课程向量生成推荐评分排序表进行个性化推荐服务。实验结果表明该算法具有良好的推荐性能。