1.一种E-learning平台下学习资源个性化推荐系统，其特征在于，包括：管理模块、推荐策略模块及数据库模块，其中管理模块：主要用于对用户信息进行管理和学习资源的管理；

推荐策略模块，用于向登录学习平台的用户推荐学习资源；

数据库模块，用于存放系统所需要的包括信息表在内的各种基础数据，数据库模块与管理模块之间是数据之间的存放关系，管理模块中产生的数据表都会存入数据库中，管理模块中的用户信息、学习资源信息各自的管理都会产生相应的数据表。

2.根据权利要求1所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述管理模块，包括用户管理模块和学习资源管理模块，所述用户管理模块主要是对用户的登录、注册信息进行管理；学习资源管理模块主要包括学习资源的类型管理以及用户对资源的操作，学习资源的类型主要包括视频资源和文本资源，所述的用户对资源的操作，主要有评分、点赞、下载以及分享。

3.根据权利要求1或2所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述推荐策略模块，主要包括热门学习资源推荐模块和协同过滤推荐模块：其中a)热门学习资源推荐模块，主要针对新用户，当新用户初次进入系统后，通过热门学习资源排行对新用户进行推荐，并要求新用户对热门学习资源进行评分，初次预测用户的学习兴趣；

b)协同过滤推荐模块，主要针对的是非新用户，通过分析用户对学习资源的评分来计算用户间的相似度，寻找出最近邻居集，根据相似用户的学习经历对目标用户进行推荐。

4.根据权利要求1或2所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述数据库模块存放有包括：用户信息表、用户对资源学习的数据表格信息、学习资源类型表、资源评分表。

5.根据权利要求3所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述协同过滤推荐模块采用协同过滤推荐算法，包括步骤：首先，构建用户资源评价矩阵，即E-learning平台中用户对资源的评分；然后，设置共同评分数量门限值T；

其次，判断用户共同评分项目数量是否大于T，若是，则使用传统的相似度计算方法并产生最近邻居集合，否则，则使用优化后的相似度计算方法并产生最近邻居集合；

再次，使用加入时间函数得评分预测公式预测用户对资源的评分；最后对用户产生推荐。

6.一种E-learning平台下学习资源个性化推荐方法，其特征在于，包括以下步骤：a)获取用户-资源评分矩阵；包括m个用户对n个资源的评分，形成m×n矩阵；

b)选择相似度计算公式，计算产生最近邻居集合；设置用户共同评分数量阈值T,若共同评分数量

c)引入时间函数，评分预测计算并产生推荐结果。

7.根据权利要求6所述的E-learning平台下学习资源个性化推荐方法，其特征在于，所述步骤b)改进的相似度计算方法为：其中SU,V表示用户U与用户V的相似度；RU,V表示用户U和用户V的共同评分资源集合；rU,i表示用户U对资源i的评分；rV,i表示用户V对资源i的评分； 表示用户U对资源的平均评分； 表示用户V对资源的平均评分；

F(rU,i,rV,i)表示包含用户u对资源i的评分、用户V对资源i的评分的评分约束函数；di表示用户U和用户V对资源i评分的绝对距离；rm表示系统设定的评分范围的评分中值；

RatingStart表示系统设置评分范围的其实质；RatingEnd表示系统设置的评分范围的结束值。

8.根据权利要求6所述的E-learning平台下学习资源个性化推荐方法，其特征在于，所述步骤c)引入时间函数，具体为：PU,i表示用户U对资源i的预测评分； 表示用户U对所有资源的平均评分；rX,i表示表示用户X对资源i的评分；ft表示时间函数；其中， 表示用户U对资源的平均评分；SU,V表示用户U与用户V的相似度；rX,i表示用户X对资源i的评分；NU表示与用户U最相似的邻居集合；X表示用户U最相似的邻居集合中的用户之一；ft表示时间函数，时间函数越大，用户兴趣越新，tui表示用户对学习资源的评分时间；N和μ为时间衰减参数。