学习资源推荐一直是教育领域的关注热点,为学习者推荐合适的学习资源,有利于提高学习者的学习效率,然而随着学习资源数量的不断增加,学习者在面对“总体资源无限”而自己“个体需求有限”的矛盾时,很容易导致“信息过载”和“学习迷失”的困境。针对于此,在现有的学习资源推荐、图神经网络推荐、协同过滤算法等领域的研究成果基础上,本文主要通过图神经网络技术在文本学习资源推荐和视频学习资源推荐两个方面进行深入的研究,本文的主要工作如下:（1）对于文本学习资源推荐算法存在忽略语义联系、学习者动态偏好和学习资源近期性等问题,提出了基于图神经网络的文本学习资源推荐算法（TXT-GNN）。由于文本类的学习资源众多,选取具有代表性的学术论文进行推荐。首先,利用卷积神经网络进行文本信息提取;然后,构建学习者-学术论文的异构图,利用学术论文序列化信息的特点,使用图神经网络获取学习者和学习资源的高阶信息,通过两个聚合函数处理序列邻居,获取学习者的潜在因子和学习资源的潜在因子,作为学习者的长期兴趣;最后,利用长短期记忆人工神经网络结合注意力机制获取学习者的短时兴趣,将长期兴趣和短时兴趣同时考虑为学习者进行学习资源推荐。将TXT-GNN模型应用到真实的数据集:Cite ULike学术论文数据集,在数据集Cite ULike-a和数据集Cite ULike-t上与其他基准实验相比,Recall@20最高提升了21.89%,MRR@20最高提升7.27%,不仅提升了准确率,而且缓解了数据的稀疏性问题。（2）针对目前的视频学习资源推荐算法存在忽略视频本身的特性、数据稀疏性等问题,提出了基于图神经网络的视频学习资源推荐算法（VGNN）。首先,对于有学习者评分的视频,利用协同过滤算法计算视频之间的皮尔逊相关系数来判断视频的相似度;其次,对于没有评分的视频,构建学习者-视频观看的异构图,利用图卷积网络不同类型的向量传播方法分别建模学习者长期和短时兴趣;最后利用多层感知机输出学习者和视频之间的链接概率。在学习平台上采集数据进行实验,VGNN与其他算法相比,推荐准确率指标都有所提升,AUC相对提高最多,提升5.8%,对于视频学习资源的推荐,提升值是较好的。（3）结合文本和视频学习资源推荐算法设计并实现了原型系统。首先,介绍系统需要完成的功能,对总体系统架构进行设计;其次,以界面化的形式呈现学习资源推荐;最后对系统进行测评。