在“双减”政策和教育数字化转型的背景下,个性化教育资源推荐系统(Educational Recommender Systems,ERS)成为智慧教育的重要支撑技术。ERS通过建模学生的知识水平、学习兴趣与行为特征,能够实现因材施教并提升学习效率。对此,系统梳理了该领域的研究进展,围绕课程推荐、习题推荐和学习路径推荐三大典型任务展开。课程推荐从传统的协同过滤与矩阵分解逐步演进到基于图神经网络与强化学习的方法,显著提升了推荐的精准性与适应性。习题推荐则从静态标签匹配转向动态知识追踪与深度学习建模,能够更好地刻画学习者与习题之间的复杂关系。学习路径推荐需要兼顾知识依赖、能力演化与多目标约束,近年来融合了图模型、强化学习和进化算法,实现了个性化路径优化。此外,还对主流数据集与实验结果进行了对比分析,总结了不同方法的优势与不足。最后指出未来研究的方向应聚焦于动态知识演化感知,跨场景泛化能力,自适应学习策略设计,以及高可解释性与教育可用性,以推动教育推荐系统由静态、封闭的“黑箱”模型向动态、透明、以人为本的教育生态系统转变。