近几年,以MOOC平台为典型代表的在线教育平台正迅猛发展。在线教育没有中高考等门槛,没有必须在某个地方才能学习的要求和弊端。这让每个人都可以平等地享受到名牌大学的优质教育,学习者可以根据自己的兴趣和需求,自由地选择有兴趣的,流行的或者是大家都称赞的课程。但是,这在为学习者学习提供极高的便捷性的同时,也割裂了传统课堂学习环境下,学习者和其他人的直接接触。由此导致了学习者总是习惯于独自学习,没有动力去主动联系或者不习惯于联系互联网上的非直接接触的学习伙伴。缺少学习伙伴交流和共同学习氛围导致学习效率不高、学习持久性不强、课程辍学率高等问题。本文考察了传统教育学中关于学习伙伴构建关键要素,结合在线教育平台的用户行为特点,参考传统电商推荐系统的流程,构建了一整套在线教育的学习者协同学习社交关系构建方法。并初步进行了学习者在线教育交互平台的工程设计探索。本文就如何解决在线教育平台学习者伙伴推荐的课题展开四个子问题的研究,即基于教育心理学背景的在线教育平台学习者特征抽取,学习者基本伙伴网络构建及学习社区发现,基于神经网络排序的在线教育平台学习者学习伙伴匹配以及基于无标度网络理论的伙伴网络模拟收敛与伙伴推荐列表混排。对于学习者特征抽取子问题,本文首先探究了传统教育学当中,学习者之间构建起良好的学习伙伴关系过程当中的相似性、接近性、补偿性、外观性等重要因素。接下来,分析了在线教育平台与传统教育平台相比,学习者行为特征的差异性和各自的特点。根据这些特点,有针对性,选择性的强化了传统教育环境下的某些影响特征,另外提出了一些特有的特征,弱化了甚至删除了另外一些在线教育平台体现不明显的特征。给出了在线教育平台学习伙伴推荐关键因素的具体量化方法。对于学习者基本伙伴网络构建及社区发现子问题,本文根据传统社交网络研究当中的用户交互图理论,结合在线教育平台学习者直接交互稀少的特点,基于上面提出的在线教育平台关键要素研究给出了平台特有的学习者基本交互网络构建算法。之后,根据在线教育平台用户行为特征,针对性改进并实验测试了三种不同的网络划分社区算法,分别是kMean+Jaccard算法,Girvan-Newman介边切割算法以及随机游走算法。并最终选择介边切割算法来进行工程实践和进一步实验。对于神经网络排序子问题,本文首先根据传统教育学领域的伙伴标注方法,结合在线教育平台特征给出了在线教育平台伙伴关系随机标注算法。使用该方法结合时间序列分段来进行神经网络训练集和测试集的生成。接下来,根据之前所抽取的不同学习者特征,对不同的特征采用有针对性的网络结构进行了向量化处理并合在一起生成最终的神经网络输入。并设计了最终的伙伴分类网络总体结构,在之前划分好的学习者社区当中完成了学习者伙伴关系匹配的实验。同时还进行了不同学习者特征的对于伙伴关系构建影响力大小的定性分析。对于网络收敛和伙伴推荐列表混排子问题,本文首先分析了在线教育平台上学习者与其推荐伙伴之间形成的网络结构随时间推进呈现出的无标度网络结构特性,之后通过分析无标度网络生成理论,给出了本文下学习者及其伙伴网络模拟演化收敛算法。接下来从社交三角理论出发,给出了在伙伴网络收敛后,解决学习者交流“茧房效应”的推荐伙伴混排算法。并根据实验证明了当前混排推荐伙伴列表比原有推荐伙伴列表有着更好的精确度。