随着信息技术的迅猛发展,知识推荐系统在智慧教育领域被广泛应用。知识推荐的两个基本任务是预测学习者偏好分布情况以及预测学习资源知识分布情况。传统的学习者偏好模型通常基于学习者学习状态进行推荐,忽略了知识结构中蕴含的整体性学习规律和学习者行为结构中蕴含的个体性学习规律,进而导致学习者偏好拟合不够准确、知识推荐效果不够理想等问题。而现有推荐方法中对学习资源知识分布情况进行预测时,未能充分利用学习者与学习资源间的交互信息,同样影响了知识推荐的效果。针对于此,本文提出了知识图与行为图混合嵌入的知识推荐方法。一方面,利用图神经网络拟合学习者学习规律以获取学习者偏好分布情况。另一方面,从学习者选择学习资源的意图角度出发,充分利用二者间的交互信息以预测学习资源知识分布。具体研究内容如下:第一,针对学习者偏好预测模型中知识结构与学习者行为结构,提出了知识图与行为图混合嵌入的学习者偏好预测模型（KGBR）。首先,本文使用图卷积的方式拟合知识图以及行为图的结构信息,获取学习者整体性学习规律与个体性学习规律。然后,利用知识结构与行为结构的差异性拟合学习者个性化偏好,采用循环神经网络将学习者的过程性偏好进行编码与解码,获得学习者偏好分布向量。第二,提出了基于知识成分嵌入的个性化知识推荐。该部分主要包含两方面内容。一方面,预测学习资源知识分布。一般来说,学习者选择学习资源是因为学习资源中蕴含着其感兴趣的知识点。基于此想法,本文提出了知识成分嵌入的学习资源知识分布预测模型（MCE）。首先,利用学习者与学习资源交互图拟合交互信息。其次,利用该交互信息对知识成分进行多层次分解。最后,对多个知识成分进行组合,以获取学习资源的知识分布。另一方面,基于以上两部分研究,实现了对学习者的个性化知识推荐。本文将学习者嵌入表示和学习资源的嵌入表示作为输入,获取学习者对于各学习资源的预测评分,用来实现个性化知识推荐。第三,验证了模型的有效性。在两个真实的数据集上的实验结果证明,KGBR+MCE混合的知识推荐模型在学习资源预测结果上拥有更低的均方根误差和平均绝对误差以及更高的AUC。综上所述,模型在知识推荐方面较传统方法效果有一定的提升,具有良好的性能。