近年来,随着互联网与教育的融合,以及受新冠疫情的影响,在线教育已经成为一种重要的教育模式和技术手段,使在线学习者较之以往能够便利地获得知识、拓展技能和接受学术教育。然而,在线学习平台中课程资源的数据总量的爆炸式增长进而呈现“信息过载”现象,面对大量分散的学习资源,学习者很难决定如何学习。如何提取和组织这些学习内容是实现既定学习目标的关键,对非专家而言尤为明显。向在线学习者提供正确的学习路径是在线教育研究的重点所在。目前,在线教育研究者对于基于知识图谱的学习路径推荐算法产生了广泛关注,基于上述思考,本文提出了一种基于知识图谱的学习路径推荐模型,并在此基础上研究模拟退火算法来进行学习路径规划。本文的主要贡献如下。首先,在经过对中国大学MOOC平台数据的进行分析后,确定了本研究采用自顶向下的方法对课程知识图谱进行数据建模,针对不同的源数据类型,设计了不同的实体识别和关系抽取的方法,主要研究了知识点这一语义实体,将词语关联度加入到传统的TF-IDF方法中进行课程知识点的识别,通过多次实验确定特征系数并验证了方法的有效性。在关系抽取方面,基于课程知识点实体,提出课程间相关度这一概念来帮助课程先后修关系的抽取。其次,基于课程知识图谱设计,根据学习者已有的知识储备和学习目标,提出了一种学习路径的评价方法,并通过模拟退火算法来规划学习路径,实现在覆盖学习者学习目标的基础上尽量减少其所需学习的课程数量,节省学习者的学习时间。推荐结果表明,该模型能够生成并推荐符合条件的学习路径,从而改善学习者的在线学习体验。本文研究了在线课程领域知识图谱的构建和应用,提出了基于知识图谱的学习路径推荐方法,在降低在线课程平台学习者辍学率、为非专业学习者提供学习路径指导方面具有一定贡献。