当今互联网技术发展迅速,推动教育领域不断深入融合发展,在线教育迎来了高速发展的时期,在线学习平台也因此受到广泛应用。对于学习者来说,在线学习平台具有学习内容丰富、知识点获取方便等优点,这种新的学习方式给学习者带来了新的学习体验,但在线学习同样面临着“数据泛滥”和“知识迷航”等问题。为解决以上问题,个性化学习推荐研究成为了广大教育研究者重点关注的研究方向。个性化习题推荐作为个性化学习推荐的一个分支领域,对提高在线教育的质量和实现智能化学习具有重要意义。为实现学习者个性化习题推荐,本文以在线评测系统为研究对象,在线评测系统作为一种在线学习辅助平台能够记录学习者签到信息、完成习题数以及习题提交次数等在线学习行为信息,根据学习者在线学习行为特征属性进行聚类,同时结合协同过滤推荐技术向学习者推荐合适的习题,从而达到帮助学习者提高学习效率和提升学习体验目的。本文的具体研究工作如下:（1）本文提出了基于改进学习者相似性计算的协同过滤推荐算法。首先该改进算法考虑了学习者共同做题个数,学习者题目错误次数的数值差异和习题难易程度对学习者相似性计算的影响,引入了三个相应的修正因子对传统的相似性计算方法进行改进。其次,该改进算法通过引入两个平衡因子组合改进后的相似性计算方法来计算学习者之间的相似度。最后,由实验验证表明融合修正因子和权重因子的相似性计算方法能更加准确地计算学习者之间的相似度。（2）本文提出了基于用户聚类和相似性改进的协同过滤推荐（UCIS-CF）算法。UCIS-CF算法结合通过聚类技术和改进后的协同过滤推荐技术实现学习者的个性化习题推荐,引入聚类技术有效提高了协同过滤推荐算法近邻选择的高效性和减小协同过滤推荐算法相似度计算的规模,改进后的协同过滤推荐算法优化学习者之间的相似度计算,在一定程度上提高了算法的推荐性能。由对比实验结果表明,经过参数调优后的UCIS-CF算法的MAE值、准确率、召回率和F1值要优于其他基于传统相似度计算的协同过滤推荐算法,同时具有较好的可靠性和稳定性。