自适应学习是使用计算机算法来协调自适应学习平台与学习者的互动, 并提供定制学习资源和学习活动来解决每位学习者的独特需求的教育方法. 自适应学习随着新冠疫情的影响变得越来越重要, 它面临的主要挑战之一是如何为学习者提供定制的学习资源, 即如何在海量的学习资源中为学习者生成个性化的推荐. 现存的方法大多使用基于学习者知识级别的推荐, 然而这些方法存在一些不足. 首先, 在获取学习者知识级别时, 学习者在学习过程中出现的遗忘现象并未得到很好的建模. 其次, 在推荐时, 这些方法将获取学习者知识级别的知识追踪技术和推荐分开进行, 忽视了这两者之间的深层连接关系. 此外, 仅考虑学习者的知识来建模, 将会忽略学习者对于学习资源类型、学习策略等的偏好. 为解决上述问题, 给出了一个知识和性格结合的多任务学习框架(Knowledge and Personality Incorporated Multi-Task Learning Framework, KPM)去促进课程 (即上文所指的学习资源) 的推荐, 该框架将增强的知识追踪任务作为辅助任务去协助主要的课程推荐任务. 具体地, 在增强的知识追踪任务(Enhanced Knowledge Tracing Task, EKTT)中, 设计了一个个性化的遗忘控制器去增强深度知识追踪模型, 从而更加准确地获取学习者的知识级别. 在课程推荐任务(Course Recommendation Task, CRT)中, 首先, 将学习者的知识级别、学习者的序列行为和学习者的性格根据特定的上下文进行自适应融合, 用以生成学习者的画像; 然后, 基于学习者的画像生成课程推荐列表. 在真实的教育相关数据集上的实验结果验证了提出的方法在点击率(Hit Ratio, HR)、归一化折损累计增益(Normalized Discounted Cumulative Gain, NDCG)、精确度(Precision)指标上的优越性, 即可以生成更加个性化的课程推荐.