大数据时代,MOOC平台的出现不仅丰富了现有的教学模式,而且为渴望获取知识的学习者提供了诸多帮助,为他们提供了一个方便、快捷的学习渠道。随着信息的飞速发展,国内MOOC平台的信息过载问题也逐渐突出。当前,基于MOOC平台的课程推荐,多集中于基于点击率的方法、基于TOP-N排名的方法以及基于用户交互的关键词匹配的方法等。然而,这些方法在实现MOOC课程个性化推荐方面,尚存在诸多问题,导致不能针对学习者实现个性化课程推荐。例如,当学习者面临课程选择困难时,现有推荐方法的准确度较低,从而导致学习者仍然需要花费大量时间和精力进行课程筛选;无法合理推荐学习者可能感兴趣的相关课程,也会影响学习者对平台的评价态度。因此,实现MOOC课程的个性化推荐,不仅能为学习者提供优质满意的课程,也能有效提升MOOC平台接受度和认可度。本文首先对现有MOOC课程推荐方法进行了系统梳理,针对当前课程推荐模型的不足,为了充分融合学习者和课程特征,本文将其关系建模为异质信息网络,并使用异质网络节点表示学习结合矩阵分解的推荐方法,以预测学习者对课程的评分为目标,获得异质网络节点表示,用于后续分析。本文着重关注于异质信息网络结构、MOOC课程多维文本特征以及节点间语义关系。具体过程如下:首先,通过对MOOC平台评分关系的研究,确定在线课程异质信息网络中节点间关系;其次,利用基于元路径的随机游走方式提取在线课程异质信息网络的子结构;接着,对异质节点序列筛选过滤,获得不同类型的元路径下的同质节点序列,实现在异质网络中获得异质节点序列并将其转化到同质空间学习节点序列的向量表示;最后,将各节点的嵌入表示融合后引入矩阵分解模型,将预测评分排名TOP-N课程推荐给学习者。更重要的是,为了验证所提出的方法的有效性,本文利用中国大学MOOC上爬取到的真实数据进行实验验证,对评论数据进行分词及词频统计,验证选用的课程特征包含学习者关注的重要特征,为了保证网络的完整性,采用Fasttext工具对课程概述文本进行文本分类,构造在线课程异质信息网络结构中课程难度特征,将难度特征融入模型后先确定了融合嵌入的最佳方式,而后将模型与其他典型模型的推荐效果进行对比,将元路径、模型参数对模型推荐性能的影响进行分析,将扩展后的矩阵分解模型改善传统矩阵分解模型冷启动问题的效果进行验证,对推荐结果实例进行分析。实验结果证明本文提出的模型获得了较好的实验效果,与其他对比模型相比,冷启动问题也有所改善,推荐结果在已选课程的基础上延伸至更多领域,本研究预计将为未来在线课程推荐模型的研究提供更多思路。此外,针对不同语义的元路径对模型性能影响各有差异,本文基于课程特征对推荐结果的影响,为MOOC平台未来在线课程的发展提出了一些建议。