1.一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，包括：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据和学生性格数据，在线平台日志数据包括本学期产生的前n周在线课程日志数据和往届前n周课程日志数据；学生成绩数据包括本学期学生已取得的GPA数据和往届学生的GPA数据；n为正整数，GPA为平均成绩点数；

步骤2，特征提取与挖掘，对每位学生前n周的在线课程日志数据提取一个特征向量，特征向量包括学生用户的登录时间，浏览学习时长数据，参与论坛讨论数据，在线笔记数据，课后作业完成情况数据，以及在线测试数据，对这些在线特征进行挖掘，得到学生学习的勤奋；对学生登录时间的挖掘，并通过实际熵函数和登录时间差散点模型进行评价得到学生的自律性评价数据；

步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度，将收集到的每位学生特征信息整合成二维数据表的形式，乱序后按照9:1的比例划分训练数据集和测试数据集，并将学生的GPA数据作为类标，进行有监督训练；经过训练集训练后的模型通过测试集进行测试，在测试集准确率达到标准阈值ε后，模型训练完成；

步骤4，利用训练好的模型，对新的学习者进行成绩预测，将新的学习者按照步骤2进行学习特征的提取与数据挖掘，将提取好的特征输入模型，模型将会自动给出期末的预测GPA；

步骤5，向学习者发放调查问卷，并收集问卷数据，采用Felder‑Silverman性格分类法，并制定线上和线下调查问卷，收集学习者的性格特征数据；

步骤6，对问卷数据进行k‑means聚类分析，通过对收集到的不同学习者的性格特征，通过K‑means聚成不同的类簇，确定聚类个数，当簇间距离最大，簇内距离最小时，确定每类中的学生，分析出每类的学生性格共性特征；

步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐，筛选出每类中成绩好的学生，并将其在线学习特征结合该类性格的性格表现特征进行相关学习方法的推荐。

2.根据权利要求1所述的一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，所述的步骤2中，每个学生的特征向量中，学习行为特征包括6个，分别是：登录时间，定义为：登录学生个人IP账号并开始进行有效学习的时间；

浏览教学资源，定义为：在线时间长短，配合鼠标键盘操作，且不能快进操作，即开始视频学习时间‑结束视频学习时间；

论坛数据，定义为：发贴和回帖的数量与质量，浏览回复量等有效数据；

在线笔记，定义为：在线笔记数量；

作业情况，定义为：作业总量，作业完成质量，所述作业总量来自于平台上的总量，作业完成质量来自于老师的批改；

在线测试，定义为：测试次数，完成测试时间，测试分数记录。

3.根据权利要求1或2所述的一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，所述的步骤2中，对学生登录时间的挖掘，并通过实际熵函数和登录时间差散点模型进行评价得到学生的自律性评价数据，使用实际熵函数来衡量用户登陆学习的时间规律性系数sε，如下：

4.根据权利要求1或2所述的一种基于在线学习行为分析的个性化学习推荐方法，其特征在于：所述的步骤2中，为了刻画学生的登陆学习时间的规律性，提出刻画两次登录之间的时间差的方法，分别计算得到学生每两次登陆之间的时间间隔差，再加上一个实验周期中的登录次数，就将线上学习时间分布情况精确刻画出来。

5.根据权利要求1或2所述的一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，所述的步骤2中，为了衡量学生线上学习的时间规律性与其学习成效的关系，使用斯皮尔曼相关系数进行定量描述，通过斯皮尔曼相关系数进行计算他们之间的相关度，从而确定两者关系，斯皮尔曼相关度如公式：其中di＝rg(Xi)‑rg(Yi)为成绩排序等级和时间差排序等级的等级差，理论上，当大量实验样本等级出现相同使用定义式，使用排名变量之间的皮尔逊相关系数来计算，如公式(3)：

这里rgX表示真实成绩等级排序，rgY表示时间差排序，cov(rgX,rgY)是等级变量的协方差， 是等级变量的标准偏差。

6.根据权利要求1或2所述的一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，所述的步骤6中，对问卷数据进行k‑means聚类分析，通过对收集到的不同学习者的性格特征，通过K‑means聚成不同的类簇，确定聚类个数，当簇间距离最大，簇内距离最小时，确定每类中的学生；分析出每类的学生性格共性特征，根据收集的得到的问卷数据，得到学生的4个维度的性格得分，分别计算用户i和用户j之间的相似度距离，即使用下面公式：

得到的cosθi,j(0≤i≤100,0≤j≤100)值域范围在[‑1,1]，将其映射到[0,255]，用不同的颜色表示用户之间的相似度距离，得到似度矩阵，使用热图将学习者性格的距离相似度矩阵映射二维坐标中，然后通过RGB进行显示出来。