针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响，提出了融合时空感知的GRU模型。另外，对于签到序列中不相关的签到数据会产生噪声的问题，提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先，通过计算两个地点之间时间间隙和距离间隙，在GRU模型的基础上增加时间门和空间门，设置权重矩阵，控制时间信息和空间信息对推荐下一个地点的影响；然后，引入注意力机制，通过计算用户偏好的注意力权重得分，得到用户的注意力权重系数，获取用户的个性化偏好；最后，通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明，与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比，ST-GRU+Attention的准确度有了较大的提高，其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。

近年来随着在线教育中试题资源数量爆炸式的增长，学生很难在海量的试题资源中找到合适的试题，因此面向学生的试题推荐方法应运而生；然而，传统的基于概率矩阵分解的试题推荐方法没有考虑学生的知识点掌握信息，导致推荐结果准确率低，为此，提出一种基于联合概率矩阵分解的个性化试题推荐方法。首先，通过认知诊断模型得到的学生知识点掌握信息；然后，结合学生、试题和知识点三者信息进行联合概率矩阵分解；最后，根据难度范围进行试题推荐。实验结果表明，与其他传统推荐方法相比，所提方法在不同难度试题推荐的准确率上取得了较好的推荐结果。