Las plataformas comerciales de aprendizaje en línea tienen que superar el desafío de la sobrecarga de recursos y encontrar el material más adecuado para los educadores utilizando un sistema de recomendación (RS) cuando se produce un aumento exponencial en la cantidad de recursos educativos en línea disponibles. Por lo tanto, proponemos un método novedoso de DNN que combina secuencias síncronas y características heterogéneas para generar de manera más precisa candidatos en plataformas de aprendizaje en línea que enfrentan un aumento exponencial en la cantidad de cursos educativos en línea disponibles y de estudiantes. También se tuvo en cuenta la mitigación del problema de inicio en frío de los estudiantes durante el modelado. Agrupar a los estudiantes en la primera fase y combinar datos de secuencia y heterogéneos como incrustaciones en recomendaciones utilizando redes neuronales profundas son los conceptos principales del enfoque propuesto. Los resultados empíricos confirmaron el potencial de la solución propuesta. En particular, las tasas de precisión fueron iguales a 0,626 y 0,492 en los casos de los cursos Top-1 y Top-5, respectivamente. Los errores de inicio en frío de los estudiantes fueron de 0,618 y 0,697 para 25 y 50 nuevos estudiantes.