近年来,MOOC(Massive Open Online Course,大规模开放在线课程)与在线教育(e-Learning)在智慧教育领域被热门讨论。在智慧教育平台,随着用户的注入,积累了海量教学行为数据与知识资源。对这两类重要的教育数据的分析挖掘和分析为智慧教育的发展注入了新的动力。学生在进行在线教育学习的时候,会遇到许多课程概念。目前的在线教育平台大多是以课程为主体进行组织,根据课程信息按照学科领域、大学、年份进行分类。课程概念却隐含在课程中,需要学习者在学习的探索过程中进行组织、分类和整理。如何利用大数据的手段自动抽取出一门课程中的课程概念是当今智慧教育研究中的热点和难点之一。同时,课程概念之间存在许多的关系:课程概念先修关系、课程概念上下位关系和课程概念的包含关系等。但是在MOOC在线教育平台这些课程概念的关系也需要学习者通过整理得到。如何利用大数据分析的手段自动抽取出一门课程中课程概念的关系也是当今智慧教育研究中的热点和难点之一。抽取课程概念和课程概念的关系实际上也是抽取出课程概念的知识图谱。针对课程知识图谱抽取中课程概念抽取的问题,本文对课程大纲的语料和课程字幕的语料提出了模型算法。由于课程大纲的语料中,课程概念的密度比较高,大部分的名词性短语都可以课程概念。对于课程大纲语料中课程概念的抽取依靠语言模版的方法抽取这一部分的课程概念。对于课程视频字幕的语料,本文首先借助图的置信度传播算法进行课程概念的抽取,然后改变原有的候选课程概念的提取模式。将远程监督抽取出的实体作为候选的课程概念置于图的传播模型中进行迭代抽取。实验验证,改进的算法的准确率要比最开始的图的置信度传播算法提高10%左右。针对课程知识图谱抽取中课程关系抽取的问题,本文重点抽取两种课程概念的关系:课程概念上下位关系和课程概念先修关系。对于课程概念的上下位关系,我们借助课程大纲中隐含的一种上下位关系,设计一种算法的课程概念上下位关系的基本骨架,然后将课程概念补全到骨架中,得到课程概念的上下位关系。对于课程概念的先修关系,我们提取先修关系的三个基本特征,将先修关系的抽取转为一个二分类问题,通过三种不同的分类器SVM、NB和RF进行对比验证实验,最终选择RF分类器对课程概念的先修关系进行抽取。