【目的】利用学习树中知识点的属性和学习访问序列, 对知识点进行预测评分, 进而进行用户相似性聚类以实施协同过滤推荐, 改进传统在线学习推荐方法, 提高推荐质量。【方法】对用户所学知识点属性、知识点学习访问序列、学习频率、学习时间进行标准化处理构建学习树; 基于学习树, 对树中知识点进行预测评分; 基于预测评分和知识点属性、知识点学习序列分别利用Pearson相似性和余弦相似性进行用户相似性计算, 利用K均值聚类方法进行相似用户聚类, 进而利用协同过滤推荐方法进行在线学习推荐。【结果】通过F-measure指标进行实验评价, 结果表明该方法与传统在线学习协同过滤推荐方法相比, F-measure指标超过奇异值分解协同过滤8.22%, 超过平均分预测协同过滤3.75%。【局限】仅基于某在线学习平台的52 456条学生的学习记录和日志进行建模和测试, 未在其他数据集上进一步检验。【结论】解决了依赖用户评分进行协同过滤推荐的缺陷, 同时考虑了用户兴趣迁移对推荐准确率的影响, 对在线学习冷启动与可扩展性问题的解决具有较好的指导意义。