随着在线教育的快速发展,越来越多学习者参与到线上课程中学习增加自己的知识储备。但对于不同背景的学生,难以找到与自己相适应的学习顺序,导致线上课程的完成度较低。因此,本文通过课程概念的信息来厘清课程概念之间的先后修关系,为学习者找到合适的课程概念学习路径,进而帮助学习者更好掌握课程概念和相关知识。本文通过对课程的概念进行向量表示学习,量化概念之间的关系,进而推断出概念之间的先后修关系。其中最重要的部分是对课程概念的表示学习和对概念关系的定义。现有的大部分表示学习方法基于欧式空间对数据特征进行高维空间到低维空间转换,以获得数据特征更深层次的抽象表示。而本文研究对象课程概念具有一定的层次结构特点,基于欧式空间的向量表示学习可能损失课程概念之间隐含的层次结构关系特征信息,而基于双曲空间的深度学习方法在表示层次化数据方面具有独特优势。本文基于双曲空间将这种层次结构信息融合到课程概念的特征向量的表示学习中,提出两种表示学习的方法。（1）基于双曲空间的距离模型表示算法。利用两种双曲空间的模型定义了在双曲空间中的距离,以此明确的在嵌入空间中捕获课程概念之间的层次结构特征,得到更适合的课程概念向量表示。然后,将学习到的向量表示应用于对课程概念相关关系的预测并分析了向量表示维度对于算法的敏感度,实验结果表明改方法在三个课程概念数据集上具有良好的表现力和有效性。（2）基于双曲空间的图卷积网络算法。将双曲空间捕获层次结构信息的能力与在处理网络图结构数据上具有优势的图卷积网络结合,同时引入注意力机制。实验结果表明,在对课程概念关系预测上比基于欧式空间的图卷积网络有更好的效果。综上,本文基于双曲空间提出表示学习的方法来对课程概念关系进行预测,更好的保留概念之间的层次结构关系信息,在一定程度上提高课程概念关系预测的准确性。