在线教育在日常教育活动中的比重迅速增加,已成为一种必不可少的教育方法。面对海量的课程资源,传统信息搜索方式存在“信息迷航”、“课程资源超载”等问题。课程推荐技术是学习者与课程资源快速匹配的关键。传统序列推荐方法大多针对用户自身序列编码,忽视了序列间的联系。同时对行为日志数量不足的用户存在冷启动问题。本文针对上述行为日志推荐算法存在的问题进行相关研究,主要研究成果如下:（1）提出基于行为日志的课程推荐算法SRSGNN。大多数序列推荐算法面向单一序列建模,忽视了不同序列之间的联系,从而影响推荐的有效性。针对这个问题,本文提出了序列推荐算法SRSGNN。该算法利用Min Hash对用户的行为日志进行邻域划分,然后使用同一邻域内的行为日志学习全局级别的课程交互表示,再根据用户自身的行为日志学习用户级别的课程交互表示。SRSGNN融合了这两种层次的课程交互表示进行课程推荐,使得推荐的结果兼顾了用户信息和邻域信息。（2）提出基于选课数据集的课程推荐算法Focor。针对行为日志推荐算法存在的用户冷启动问题,提出了基于选课概率计算的课程推荐算法Focor。Focor使用遗传算法从选课数据集构成的特征集合中筛选出最优特征子集,在最优特征子集上使用Light GBM训练是否选课的二分类模型,根据模型输出的选课概率进行课程推荐。实验结果表明本文提出的SRSGNN课程推荐算法在Tracking Log、Yoo Choose、Diginetica数据上的Recall@20和MRR@20指标优于SRGNN和传统序列推荐模型。Focor课程推荐算法与Light GBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,在F1分数上取得了较好的性能。