针对在线学习中推荐数据稀疏性和资源多样化需求等问题，构建了一套在线学习混合推荐策略。该研究提出了一种基于用户相似性、知识可信度和用户影响力评估的在线学习用户模型LIAM，以提高推荐效果。同时，采用动态直觉模糊DIF策略对LIAM模型进行优化，以提高模型的推荐准确性和可解释性。最后，该研究提出了一种基于自组织的推荐方法SOR，用于解决推荐结果的多样性和覆盖性问题，从而形成了一套完整的在线学习混合推荐策略。同时，采用Coursera数据集对推荐方法SOR进行性能验证，实验结果表明，该方法优于其他两种代表性推荐方法。推荐方法SOR有望为在线学习推荐系统提供更加准确和个性化的推荐服务，提升学习效果和用户体验。