随着教育数字化转型的发展,在线学习模式逐渐受到学习者的青睐,拉近了不同时空下学习者的距离,同时产生了海量的学习行为数据。网络学伴社区结构能够提升在线学习的效果,但传统的社区发现方法无法有效利用学习行为数据挖掘清晰的网络学伴社区结构。由于社区中学习者的学习兴趣影响学习行为,学习者行为特征与学伴社区发现存在较强的关联。因此,基于学习行为兴趣标签的网络学伴社区发现问题值得进一步研究。现阶段,在学习行为特征的研究中缺乏对学习行为兴趣的考虑。由于学习行为兴趣具有可解释性强、指向性明显等特性,能够精确表征学习者的学习习惯,忽略学习行为兴趣的学习行为特征挖掘方法是不完善的。同时,在网络学伴社区发现的研究中,传统研究无法处理学习者之间的多种不同连接,缺乏社区中学伴关系的考虑。针对目前研究的不足,本文研究基于学习行为数据的网络学伴社区发现中的两个主要问题:（1）学习行为特征挖掘:如何利用学习行为兴趣提高学习行为数据特征挖掘的准确性和可解释性。（2）网络学伴社区发现:如何根据学习行为特征挖掘结果,进一步改进网络学伴社区发现方法。聚焦上述问题,本文的主要工作内容包括:（1）针对学习行为特征挖掘的问题,本文提出了一种基于图神经网络的学习行为兴趣标签预测方法。使用学习行为兴趣表征学习者丰富的学习行为数据内含的学习习惯和学习兴趣,首先从学习行为数据中挖掘出隐含的学习行为异构图数据结构,使用图神经网络模型挖掘学习者的学习行为特征,然后输入预测模型中,预测学习者的学习行为兴趣标签。（2）针对网络学伴社区发现的问题,根据网络学伴社区中学习者间存在紧密学伴关系的特性,本文提出了一种基于学习行为兴趣标签的网络学伴社区发现方法。首先基于二分图提取出学习行为异构图中的学伴关系网络,随后使用改进的网络学伴社区发现方法,通过量化学习者间学伴关系存在性,检测出网络学伴社区结构。综上所述,本文根据学习行为数据挖掘学习行为兴趣标签,提高网络学伴社区发现方法的性能。