由于学习者很难通过传统的关键词搜索方法从海量的教育资源中找到最合适的资源,因此,基于上下文的资源推荐服务成为普及学习环境的重要组成部分。 当前,推荐机制已广泛用于电子商务领域,在这些领域中,通常分别考虑基于内容或基于协作的筛选策略。 但是,在这些现有的推荐机制中,学习者的动态兴趣和偏好,普遍学习环境的访问模式和其他属性(例如多模式连接和资源分配)始终被忽略。 因此,这些机制不能有效地反映学习者的实际偏好,也不能完美地适应普遍的学习环境。 为了解决这些问题,提出了一种用于普适学习环境的上下文感知资源推荐模型和相关推荐算法。 其中,考虑到相关的上下文信息,学习者与资源之间的相关度的计算可以分为两个主要部分:基于逻辑的RRD(资源相关度)和基于情境的RRD。 在第一部分中,将基于内容和基于协作的推荐机制组合在一起,其中引入了个人偏好树(IPT),以考虑资源的多维属性,学习者的评分矩阵和访问偏好的能量。 同时,还考虑了学习者资源访问的历史顺序模式,以进一步提高推荐的准确性。 在第二部分中,为了增强推荐的有效性,根据其他相关上下文来计算连接类型的相关性和时间满意度。 然后,可以通过组合这两个部分来筛选和分类候选资源,以生成(前N个)推荐结果。 仿真结果表明,我们提出的新方法在传统指标和最新提出的指标上优于其他最新算法,并且也可能更适合普适性学习环境。 最后,基于SEU-ESP实施了原型系统,以进一步证明相关的推荐流程