در طول دهه ی گذشته، اینترنت تبدیل به یک رسانه ی فراگیر شده است. جامعه ی آموزشی نیز نه تنها خود را محدود به ایفای نقش منفعل در این داستان نکرده است، بلکه پیشگام در بسیاری از تغییرات بوده است. اما، اکثر سیستم های آموزشی وب بنیاد، نقایصی جدی در مقایسه با کلاس های سنتی دارند. از جمله این که به دلیل زیاد بودن منابع یادگیری آنلاین در محیط های آموزش الکترونیکی، اساتید راهنمایی دانشجویان برای انتخاب منبع یادگیری مناسب را سخت می دانند. دانشجویان هم تصمیم گیری درباره اینکه کدام منابع آمورشی برای شرایط آن ها مناسب تر است و بهتر است آن منابع را بخوانند، دشوار می دانند. بنابراین، از دید اساتید، آن ها نیاز به یک راه اتوماتیک برای گرفتن بازخورد از دانشجویان به منظور راهنمایی بهتر آن ها در فرایند آموزش دارند. از دید دانشجویان نیز بسیار مفید است که یک سیستم آموزش الکترونیکی بتواند به صورت اتوماتیک فعالیت های آن ها را هدایت کند و به صورت هوشمندانه منابعی که بتواند یادگیری آن ها را بهبود دهد، تولید و توصیه کند. سیستم های توصیه گر آموزشی می توانند به عنوان یک محیط آموزشی شخصی سازی شده برای ارائه ی توصیه-های منابع آموزشی برای دانشجویان باشند، طوری که این توصیه ها به بهترین شکل با ترجیهات شخصی، تجربه ی آموزشی و نیازهای تک تک دانشجویان هماهنگ باشند. بنابراین در این پایان نامه، چارچوبی برای سیستم توصیه گر منابع در محیط آموزش الکترونیکی با استفاده از ترکیب سه روش فیلتر مشارکتی مبتنی بر کاربر، فیلتر مشارکتی مبتنی بر آیتم و روش مبتنی بر دانش طراحی شده است تا ضمن بالا بردن دقت سیستم با این ترکیب، منابع مناسب و شخصی سازی شده را بر اساس نیازهای خاص دانشجویان و اطلاعات موجود در پروفایل آن ها، به آن ها پیشنهاد دهد. پس از پیاده-سازی سیستم توصیه گر پیشنهادی با استفاده از نرم افزار matlab و مقایسه ی دقت آن با روش های مرسوم مورد استفاده در سیستم های توصیه گر، نتایج نشان داد که سیستم توصیه گر پیشنهادی با میانگین خطای مطلق 5954/0 ، دارای عملکرد بسیار بهتری در پیش بینی رتبه برای توصیه ی منابع به دانشجویان می باشد. همچنین به دلیل استفاده ی مناسب از روش مبتنی بر دانش در سیستم توصیه گر پیشنهادی، این سیستم به خوبی با مشکل شروع سرد مقابله می کند.