随着“互联网+”在教育领域的不断渗透,在线学习平台丰富的学习资源为人们获取信息提供了新的契机。但学习资源的多样性和广泛性导致数据呈指数级增长,致使平台用户难以获取满足自身需求的资源。为了追求平台的用户访问量和学习资源点击量,个性化学习资源推荐算法应运而生。它可根据学习者的行为日志挖掘和推送满足自身需求的学习资源,从而达到“个性化推荐”的目的。然而随着在线学习平台数据海量聚集,资源过度膨胀,传统推荐算法仍面临着由数据稀疏性问题导致的算法推荐精度不佳、推荐实时性滞后等问题。本文针对上述问题,对在线学习资源个性化推荐技术进行研究,将传统推荐算法与大数据技术相结合,提出了在线学习资源实时推荐算法,该算法基于混合相似度并行计算方法预测评分。论文的研究工作如下:（1）提出了一种融合LDA主题模型的混合相似度并行计算方法。首先分析Spark LDA和Spark ALS算法源码,证明本文算法并行计算的可行性。然后基于Spark算子,将学习资源特征文件并行分词后,基于Spark LDA建模得到主题-词概率分布RDD,利用KL散度计算基于主题-词概率分布的资源相似度RDD;并将资源评分文件基于Spark ALS并行训练隐语义模型,得到资源隐式特征向量后,利用余弦相似度计算基于资源隐式特征向量的资源相似度RDD。最后基于join算子及最优调参实验结果,计算得到学习资源的混合相似度RDD。实验结果表明,本文混合相似度并行计算方法减少时间消耗的同时提高了算法的推荐精度。（2）提出了一种在线学习资源实时推荐算法。该算法基于Spark Streaming流式处理框架实现。首先利用Flume日志采集工具进行学习者评分数据的采集。然后实时发送给Kafka消息中间件,进行日志的清理与提取。最后将评分数据推送到实时推荐算法。本算法基于混合相似度并行计算方法预测评分,在预测评分的基础上引入增强因子、减弱因子的同时加入评估时间的数据权重,从而使用户在最近几次评分后,可以明显获得推荐结果。实验结果表明,本文在线学习资源实时推荐算法能够有效解决推荐实时性滞后问题。（3）本文综合利用上述融合LDA主题模型的混合相似度并行计算方法和在线学习资源实时推荐算法设计了大数据环境下在线学习资源推荐系统。该系统包含离线推荐和实时推荐体系,具有一定的应用价值。