随着大规模在线开放课程（MOOC）平台的广泛使用，需要一种有效的方法为用户推荐个性化课程。针对现有的课程推荐方法通常利用课程学习记录为用户的学习兴趣建立整体的静态表示，但忽略了学习兴趣动态变化与用户短期学习兴趣的问题，提出一种分层分期的注意力网络（HPAN）进行个性化课程推荐。该网络的第1层利用注意力网络得到用户的长短期学习兴趣，第2层将用户的长短期学习兴趣和短期交互序列相结合并通过注意力网络得到用户的兴趣向量；然后计算用户兴趣向量与每个课程向量的偏好值，据此为用户进行课程推荐。在XuetangX（学堂在线）公开数据集上的实验结果表明，与次优的序列分层注意力网络（SHAN）模型相比，HPAN模型的Recall@5提高了12.7%，与FPMC（Factorizing Personalized Markov Chains）模型相比，它的MRR@20提高了15.6%。HPAN模型的推荐效果优于对比模型，可解决实际的个性化课程推荐。

针对传统向量空间模型（TVSM）生成的向量维度高，计算文档与检索关键词相关度的向量点积运算耗时长的问题，提出一种面向云环境密文排序检索的字典划分向量空间模型（DPVSM）。首先给出DPVSM的具体定义，并证明了DPVSM中检索关键词与文档的相关度得分与TVSM中的相关度得分完全相等；然后，采用等长字典划分方法，提出加密向量生成算法和文档与检索关键词相关度得分计算算法。实验结果表明，DPVSM文档向量的空间开销远少于TVSM，且文档数量越多开销降低越多；此外，DPVSM的检索向量的空间开销以及相关度得分计算的耗时也远低于TVSM。显然，DPVSM在生成向量的空间效率和相关度得分计算的时间效率上均优于TVSM。