随着互联网信息技术的飞速发展,多种多样的在线课程大量涌现,为众多学习者提供了丰富的学习资源和灵活选择。与此同时,这种互联网平台信息“超载”现象的日益加剧,导致学习者需要花费大量时间和精力搜索、选择适合自身的学习资源,且往往效果也不尽如人意,这就大大削弱了在线学习平台的辅助作用。为解决这一问题,可采用协同过滤推荐方法给用户推荐个性化学习课程资源。在分析流行度推荐算法的基础上提出加入用户分群的流行度推荐算法,解决新注册用户在协同过滤推荐技术中存在的冷启动的难题。对于老用户,流行度和流行度差异对协同过滤中相似度的计算影响很大,提出结合自适应流行度阈值的项目流行度加权的协同过滤推荐算法,通过设置自适应的流行度阈值和流行度惩罚和补偿的权重,并将其引入到相似度计算公式中,对于流行度大于阈值的课程进行惩罚,对于流行度小于阈值的课程进行补偿,由此,减轻了流行度和流行度的差异对协同过滤项目相似度的计算影响,并且提升了个性化课程推荐系统的覆盖率。主要工作如下:1.基于个性化推荐系统国内和国外的研究背景,论文介绍了基于关联规则和协同过滤的推荐算法理论思想和实现过程,以及他们各自的优缺点。2.针对协同过滤推荐算法遇到的新用户冷启动的问题,分析了基于流行度的推荐算法,提出了一种加入用户分群的流行度的推荐算法。通过该方法,可以妥善处理协同过滤推荐技术中新注册用户的冷启动问题。3.根据流行度和流行度的差异对协同过滤推荐中相似度计算的影响,基于项目(即课程)的流行度加权的协同过滤推荐技术,提出了一种基于项目(即课程)流行度加权和自适应阈值的协同过滤推荐算法。该算法通过设置自适应流行度阈值和流行度惩罚权重,并将其引入相似度计算公式中,以此缓解流行度对相似度计算的影响。4.实现了推荐系统的设计与开发。从功能性和非功能性两个方面分析了推荐系统的需求。个性化推荐系统是在Java EE平台构建的SSM框架下开发的每个功能模块和数据库表的设计,设计包括用户端模块、系统管理员端模块和数据库模块。推荐系统平台中程序开发和数据库表设计分别使用Eclipse和My SQL,并在tomcat服务器下运行,完成了整个系统的设计与实现。