近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。

聚类是一种寻找数据之间内在结构的技术，是许多数据驱动应用领域的一个基本问题，而聚类性能在很大程度上取决于数据表示的质量。近年来，深度学习因其强大的特征提取能力被广泛地应用于聚类任务，以学习更好的特征表示，显著提高了聚类性能。首先，介绍了传统的聚类任务；然后，根据网络结构介绍了基于深度学习的聚类及代表性方法，指出了当前存在的问题，并介绍了基于深度学习的聚类在不同领域的应用；最后，对基于深度学习的聚类发展进行了总结与展望。

针对投稿刊物推荐算法总是单独考虑文本主题或者作者历史发刊记录，导致投稿刊物推荐结果准确率低的问题，提出了一种基于作者偏好的学术刊物投稿推荐算法。该算法不仅协调使用了文本主题和作者历史发刊记录，还挖掘了投稿刊物的学术焦点与时间的潜在联系。首先，使用潜在狄利克雷（LDA）主题模型对文章标题进行主题提取；其次，建立主题-刊物和时间-刊物的模型图，并采用大规模信息网络嵌入（LINE）模型学习异构图节点的嵌入；最后，融合作者的主题偏好和历史发刊记录来计算刊物的综合得分，并据此对投稿作者进行投稿刊物推荐。在两个公开数据集DBLP和PubMed上的实验结果表明，相比奇异值分解（SVD）、DeepWalk、非负矩阵分解（NMF）等6个算法，所提出的算法在不同推荐的投稿刊物列表长度的情况下的召回率均为最优，并且在需要从论文和知识库中获取更少信息的同时，保持了较高的准确性，能有效提高投稿刊物推荐算法的鲁棒性。