近年来,物理虚拟仿真实验平台的研究在教育信息化领域逐渐受到重视。物理虚拟仿真实验平台为学习者提高物理实验操作技能水平提供了全新的实验教学环境,也成为现实物理实验室教学的重要辅助工具。物理虚拟仿真实验平台在不断推广和发展的过程中,积累了学习者大量的实验行为数据,如何对这些实验行为数据进行充分挖掘并发现有价值的隐藏信息,进而对学习者进行智能辅助导学,成为智能导学领域重要的研究课题之一。智能导学领域中,已经有学者提出了诸多导学推荐方法,仍存在不足之处。首先,认知诊断作为常用的推荐模型,通过诊断学习者认知状态获得学习者个性化学习特征,忽略了近邻学习者间的相似性特征;其次,由于协同过滤更加关注相似性特征,从而难以充分挖掘学习者个性化特征;最后,众多导学推荐算法过多强调学习者的建模过程,忽略了学习者实验行为数据中的时序信息,从而导致最终的推荐结果存在偏差。针对上述问题,本文利用虚拟实验操作数据集,结合认知诊断模型和协同过滤算法,提出一种融合时序因素的智能导学推荐算法。具体内容如下:（1）利用K-means算法将学习者分为高、中和低三类实验操作技能水平,以捕捉不同水平学习者的学习特点。实验表明,三类学习者划分明显,通过统计分析实验操作结果,验证了实验操作技能水平不同的学习者在实验操作过程中有不同的出错偏好,从而验证了K-means算法聚类的有效性。（2）提出了TBCF-CD实验操作导学推荐模型,分析学习者物理知识掌握情况对实验操作结果的影响。一方面,结合认知诊断模型和协同过滤推荐算法,在获取学习者个性化认知状态的同时,考虑学习者间的相似性特征,使推荐算法具有更强的可解释性和有效性;另一方面,考虑到学习者在实验过程中遗忘过程的连续性和不均衡性,将艾宾浩斯遗忘规律分阶段拟合,并作为时序因素更新推荐模型,精准捕捉学习者知识留存的动态变化过程,以提高推荐精度。最后,为了验证本文所提出的实验操作推荐算法的有效性,通过实验的方法将本文提出的TBCF-CD算法与认知诊断推荐模型和协同过滤推荐算法进行对比分析,实验结果表明本文提出的推荐算法有更高的准确度。综上,本文提出的推荐算法结合了学习者实验操作技能水平及知识掌握情况,考虑了学习者在学习过程中的遗忘规律,能够充分挖掘学习者的学习状态信息,提高了对学习者实验操作情况的预测精度。