近年来,大数据、人工智能等技术已经成为引领科技革新的重要驱动力量,人工智能与教育的深度融合推动着在线教育发展成为一种新的教学模式。然而,随着网络资源指数式的增长和愈加多样化,用户很难及时、有效地获取需要的信息,信息过载带来的问题日益突出,如何有效解决海量数据导致的信息过载问题已成为各大平台研究的热点。本文对现有平台和推荐算法进行了分析研究,针对现存不足提出了融合辅助信息的深度分层注意力推荐算法并设计实现了在线学习推荐系统。本文的主要工作如下:（1）实验数据采集。针对在线学习领域缺乏公开数据集的问题,采用分布式爬虫Scrapy框架实现对中国大学MOOC平台数据爬取,并使用Xpath技术解析课程列表数据、课程评论数据、用户信息、评分信息等数据,完成数据采集。（2）提出了融合辅助信息的分层注意力机制深度推荐算法（DHRAA）。针对数据稀疏问题和评分预测问题,本文提出了DHRAA算法,利用卷积神经网络（Convolutional Neural Networks,CNN）处理用户和课程的评论信息以及课程标题、课程描述信息、教师机构等辅助信息,基于NRPA模型采用词级注意力机制和评论级注意力机制提取评论信息和用户的向量特征,采用注意力因子分解机算法（Attentional Factorization Machines,AFM）计算交叉组合特征,完成评分预测。基于采集的中国大学MOOC数据集和Amazon-Goods公开数据集将DHRAA与基础模型进行对比实验,结果表明本文提出的DHRAA算法具有更好的推荐性能。（3）设计并实现了基于B/S框架的在线学习推荐系统。本文将提出的DHRAA算法融入到在线学习平台中,并采用前后端分离的设计模式基于Django框架完成了系统的开发,实现了在线学习模块、课程收藏模块、课程推荐模块、资源下载模块、课程作业模块、后台管理模块等功能。最后,采用Hy Load自动化测试工具对在线学习系统进行了系统测试,测试结果表明系统具备实用性和稳定性,符合预期目标。本文首先针对现有的推荐算法进行改进,在一定程度上解决了数据稀疏问题和评分预测的准确度问题,提高了推荐性能,然后根据用户需求,基于本文提出的DHRAA算法,搭建了基于深度学习的在线学习推荐系统,通过测试验证了系统的稳定性和实用性。