随着信息技术的发展,人类已经从4G时代迈入了5G时代,上网速度变快的同时也促进了互联网媒体技术的发展,视频逐渐代替文字成为信息传播的主要载体。在线视频课凭借其不受时间和地点限制的优势,让知识获取变得更方便快捷的特点,越来越受到求学者的青睐。但我们也要注意到,大数据时代下海量信息带来的“信息过载”问题同样也出现在在线学习领域。课程推荐系统可以根据用户的行为历史数据分析用户对课程的兴趣倾向,帮助用户快速、高效地找到目标课程,从而达到辅助用户学习的目的。只有把握好应用领域的数据特点,因地制宜地选择合适的推荐模型才能得到理想的推荐效果。在知识学习领域,用户关注的重点首先是课程内容,其次才是课程的其他特征（如难度、学习人数、类别和得分等）,从而决定学习哪些课程。针对现有课程推荐模型存在的内容特征与其他特征结合不充分的问题,本文提出了一种基于向量构建与点击预测的课程推荐模型,应用于在线学习系统,使推荐逻辑更合理、准确率更高。系统中的课程有标题、关键字和详细介绍这些内容类特征,本文先利用Word2Vec模型和本文提出的内容向量构建方法,将所有课程用内容向量表示出来,该向量每个维度的隐语义都具有表现课程内容特点的能力。系统再读取用户填写的专业或学习、评价过的课程,用这些课程的向量构建用户向量,该向量的每个维度就代表了用户对该维度隐语义的兴趣程度。而后,用余弦相似度算法粗筛出与用户向量相近的课程,获得课程候选集。最后将候选课程的其他特征与用户向量连接,输入到多层感知机（MLP）中,预测用户选择学习课程的概率,最终得到课程推荐列表。本文基于以上模型开发了一个基于向量构建与点击预测的课程推荐系统。通过调查研究用户在线学习习惯,对系统进行详细需求分析后,对系统的前、后台功能模块进行划分,然后分别完成了系统所有功能模块的详细设计和系统数据库设计,最后实现了课程推荐系统,并将上述推荐模型融入课程推荐模块。经过测试,最终实现的系统能够满足用户在课程学习、收藏、评论打分、个人基本信息修改和课程推荐等功能上的需求。本文还选取了三个课程推荐模型与本文模型进行对比实验,实验结果显示,本文所给推荐模型相较主流推荐模型在准确率和召回率等指标上均有所提高,具有一定理论和现实意义。