传统单领域推荐算法存在数据稀疏和冷启动问题，且由于单领域推荐算法是在同一领域基于群体分类进行推荐，因此无法实现真正的个性化精准推荐。在网络环境下，学习资源呈现多种形态，而学习者在每一领域的评分数据更加稀疏。鉴于此，提出迁移评分模式的跨域学习资源推荐算法。该方法首先基于码本聚类思想从学习者的辅助领域评分数据中获取学习者的评分模式和商品的被评分模式；然后将其迁移到目标领域，以填补学习者在目标领域评分数据的不足，最后基于因子分解机将目标领域学习者、学习资源、评分模式和被评分模式进行集成，实现对学习者的个性化学习资源精准推荐。实证结果表明，该方法能够较好解决单领域学习资源推荐中存在的数据稀疏和冷启动问题，提高个性化学习资源推荐准确率。
0 引言
网络学习具有个性化、主动式、探究式、协作式、不受时间和地点限制等优点而备受学习者青睐。然而，随着网络学习资源的爆炸式增长，学习者难以快速准确地获取到自己感兴趣的资源，导致学习难度加大、学习时间延长，降低了学习者的学习效率。为了帮助学习者快速准确找到其感兴趣的学习资源，近年来教育技术领域专家和学者致力于在网络学习系统中加入个性化学习资源推荐服务以解决资源过载这一问题。现有的个性化学习资源推荐方法大多基于单领域进行，即仅根据学习者在某一单个领域（如文本资料）的兴趣偏好，向