近年来,随着互联网的普及和政府对“互联网+”的大力推进,许多教育企业纷纷开辟了线上市场,越来越多的在线学习平台走入大众视野中,取得了令人瞩目的商业成就。在线学习的形式也渐渐受到更多用户的青睐,在疫情期间更是以不可替代的优势迅速崛起。然而,由于信息过载问题,学习者很难在大量的学习资源中找到合适的课程。如何准确推荐适合学习者的学习资源成了横亘在相关企业面前的技术壁垒。目前已有许多学者提出了优秀的在线学习资源推荐方法。通过系统性的文献研究,发现基于混合技术的在线学习资源推荐算法在近几年颇受研究者青睐。但很多算法忽略了相关企业在实际运营中的商业诉求。此外,随着在线学习平台的良好稳定运营,企业积累了许多行之有效的实践经验,这些经验也可以反哺于推荐算法的学术研究中,提供新的研究方向和算法改进思路。在此背景下,本研究结合协同过滤技术、本体技术和序列模式挖掘技术,提出了一种改进的在线学习资源混合推荐方法。首先本研究基于教育学领域的相关知识建立了较为全面的学习者本体模型和学习资源本体模型,用以反映学习者特征和学习资源特征;之后通过相似度计算和学习者评分预测,初步得到待推荐的候选资源;最后通过序列模式挖掘技术,结合学习者的学习记录,得到最终的资源推荐列表。在本推荐算法模型中,本体用于知识表示,可以有效地避免冷启动和评级数据稀疏问题,并能准确反映学习者的个性化特征;而学习者序列模式的利用使得推荐结果更符合一般的学习规律。为了验证算法的推荐效果,本研究设计了离线实验,将知识管理领域的知识与企业的实际运营经验相结合,引入多个典型的算法评估标准对本算法与其他经典算法进行了多方位的对比实验。实验结果表明,与其他算法相比,本研究提出的改进的混合推荐算法具有更好的推荐性能。此外,本研究亦与相关企业合作进行了算法实践,通过收集用户行为数据,对比验证了本推荐算法对在线学习平台的促进效果。与以往的研究成果相比,本推荐方法的本体构建具有更可靠的理论基础,模型中特征的选择更具代表性,更能准确反映学习者和学习资源的特征;将协同过滤与本体技术充分结合,通过运用本体相似度,不仅提高了推荐效率,也使得推荐结果更满足学习者的个性化需求;在序列模式挖掘过程中使用了Prefix Span算法,进一步提高了推荐算法的效率。此外,本研究结合企业实践经验,构建了一个多方位的推荐算法测评指标体系,使得算法实验的结果更贴近真实的用户体验,亦为后续“产研结合”的研究道路奠定了基础。最后,本研究将推荐算法进行了商业实践,通过用户行为数据证明了本推荐算法的良好效果,启发相关企业清晰认识到推荐算法对在线学习平台运营的重要作用。