随着移动互联网与通信技术的飞速发展,人们学习的方式不再局限于课堂和书本,学习方式扩展至手机、电脑等E-learning平台。为了满足人们随着兴趣不断变化的学习需求,推荐技术也已经逐渐应用到学习平台中。然而,在为学习者推荐学习资源的过程中,大多数学习平台采取推荐热门学习资源或最新资源等方式向学习者推荐,往往忽略了学习者的个性化学习需求。因此,如何更好地在Elearning平台中为学习者提供满足其需求的学习资源成为了当前的一个重要研究课题。本文选择协同过滤推荐技术作为基础算法对学习资源进行推荐。一方面,随着学习平台中学习资源和用户基数的增大,学习资源的评分基数越来越小,这便造成了协同过滤推荐算法中的数据稀疏性问题;此外,系统中用户的行为对学习分析而言是一笔巨大的财富,然而这些行为却往往散落在系统的各个角落,无法得到有效利用。针对上述问题,本文从算法层面和数据采集层面进行研究,主要研究工作如下:1.针对E-learning平台中的数据稀疏性问题,本文从相似度的计算方式出发对协同过滤进行了改进。在衡量有共同评分项的用户之间的相似性时,引入相似因子概念,不仅考虑用户间共同评分项目的评分相似性,还考虑了用户间共同评分项目的数量;在衡量无共同评分项的用户之间的相似性时,提出相似性传递理论,用传递后的相似因子衡量其相似性。本文利用重庆市全媒体数字教育工程“壹笔”平台的数据对该算法进行了实验验证,结果表明,该算法在预测准确性上取得了较好的结果。2.为了丰富数据源,利用xAPI数据规范标准,对学习平台中学习者的学习行为进行跟踪和采集,进一步地,在本文改进的算法基础上,设计并实现了基于xAPI记录模型的学习资源个性化推荐系统。