随着互联网技术在教育领域的不断融合和深入发展,在线学习平台给大众带来了新的学习体验和学习方式。在线学习有着资源丰富、获取便捷等诸多优点,但是由于互联网自身存在的一些问题诸如“知识迷航”、“数据泛滥”等日渐凸显,如何根据用户特点进行资源推荐,从而有效提高个性化学习体验,一直是广大研究者深入研究的课题。一方面学习者所面对的网页和资源都是相同的,这需要学习者自主选择课程和访问路径,另一方面学习者提出的问题得不到及时回复的现象,这样的学习平台缺少主动向学习者推送个性化的学习支持服务,无法满足学习者的个性和情感需求。因此,研究在线学习平台中学习资源的个性化推荐是非常必要,同时也非常具有实践借鉴意义。针对上述问题,本文借鉴商业领域中商品推荐的解决思路,结合学习者数据设计了一种基于用户协同过滤推荐思想的同伴推荐方法,将个性化推荐思想融入到在线学习平台的学习资源个性化推荐中,本文的主要研究内容如下:首先,通过文献研究法总结了学习资源推荐现状、同伴互助学习研究现状以及常见的慕课平台的学习同伴交流现状。研究表明在线学习平台越来越重视个性化体验和情感体验,但学习同伴推荐的文献数量远不及课程推荐研究数量。其次,基于Canvas Network慕课平台的学习者数据集,将学习者数据分为基本人口特征数据和学习行为数据,分别进行分析总结,建立同伴推荐模型。然后,对学习者行为数据进行相关性分析以确定聚类中的行为变量,对基本人口特征数据进行单因素方差分析以确定聚类中的分类变量,综合两类变量进行学习者聚类分析。根据数据特点,选取合适的推荐算法,并运用信息熵的权重分配对行为变量进行权重分配。分析数据主要的作用是提取行为特征,为后期的决策提供客观的数据基础。最后,基于协同过滤推荐思想,根据聚类结果对学习者进行同伴推荐,并运用欧几里得距离算法计算同类学习者之间的距离,对学习行为较少的学习者推荐行为较多的学习者,计算结果进行升序排序并用TOP-N方式进行呈现。