随着在线教育的快速发展,越来越多的学习者通过在线教育平台获取课程进行学习。然而有研究发现,学习者在网络学习过程中容易产生信息过载与知识迷航。在学习课程的选取中,通过对学习目标检索出来的课程包含大量重复内容,容易产生信息过载;选取完毕课程之后不知道以一个什么样的顺序对课程进行学习,容易产生知识迷航。近年来知识图谱的研究应用逐渐兴起,在教育领域中除了被用在知识的表征上,它的知识结构、节点层级等信息在课程模型中也有重要的用处。在此背景下本文提出了以下研究目标:基于知识图谱对从学习目标开始到学习路径图生成技术的研究,以解决学习者在学习过程中产生的信息过载与知识迷航问题。本文将通过具体实验对学习路径构建过程中的课程选择与课程排序两方面进行讨论,指出现有方法过于依赖学习者产生的数据,通过知识图谱对课程的知识结构建模,并通过一定的指标给出课程的选择与排序结果的优劣程度,并生成学习路径图。本文采用StuQ的23个IT领域的技能图谱构建了我们的知识图谱,通过对研究方法的实验,得出主要结论:使用向量空间模型建立课程与知识点的联系,能够有效的分解课程知识结构,建立课程间联系,同时能够方便的将知识点特性转化为课程的特性;知识点覆盖率、超纲率、重复率权重的选择对课程选择起到了关键的作用,合适的权重能够使学习者学习较少的课程,达到更高的学习效果,能够解决学习者信息过载问题。使用遗传算法能够快速对以课程重要性、基础性、关联度为目标的课程排序中收敛出一个全局较优的课程序列,能够引导学习者对整个课程集合进行学习,解决知识迷航问题;基于关联课程的学习路径图能够发现课程的知识结构,将整个课程序列以可视化的形式展现,而基于贝叶斯统计的学习路径图构建则使用了专家构建的学习路径作为样本,构建结果能够模拟专家构建的方式,而基于两者的混合构建方式弥补了人工构建学习路径图样本不足问题,不仅能够在一定程度上模拟人工构建学习路径图的方式,同时能够展现课程的知识结构,使学习者对课程的知识结构有更深一步的了解。