大规模开放式在线课程（Massive Open Online Courses,MOOC）的出现为个性化学习的提供了可能,当前,利用学习者在慕课环境中的学习行为与认知数据,为学习者提供个性化的学习推荐服务已经成为一个研究热点领域。但MOOC环境下学习者使用平台环境进行学习过程中依然存在着交互数据的稀疏性、课程关联的多样性、用户学习偏好复杂性等问题,需要进一步深入研究智能化分析技术以有效支撑学习者个性化学习。本文以MOOC环境下课程知识图谱为基础,利用其提供的课程基本信息及课程间的语义关联信息,研究基于知识图谱的高性能课程推荐算法,以有效地缓解MOOC场景中的稀疏性问题,提高学习课程推荐准确率,为学习者提供更加个性化的课程资源推荐服务。论文的工作和研究内容主要体现在两个方面:针对MOOC场景中数据的稀疏性,提出了基于课程知识图谱嵌入的推荐模型（Embedding-based Course Knowledge-aware Network,ECKN）。模型首先利用图嵌入方法实现对知识图谱的特征学习,扩充课程实体表征的语义信息;然后融合用户学习过的课程的特征向量得到用户嵌入表达,并利用注意力网络挖掘用户潜在偏好;最后通过推荐模块预测用户选择候选课程的概率,并选择得分最高的k门课程进行推荐。模型通过依次学习的方式控制了学习图嵌入的性能开销,并且可以有效利用知识图谱语义信息增强课程实体的嵌入表达以达到缓解稀疏性、提高推荐准确率的目的。针对课程关联的多样性、用户意图的复杂性,提出了一个改进的基于知识分组的推荐模型（Knowledge Grouping Aggregation Network,KGAN）。模型首先在知识图谱中搜索用户学习过的课程实体,将这些课程集合作为用户初始偏好集合并沿图中关系自动地迭代传播,生成用户偏好传播集以探索用户潜在兴趣,然后根据用户潜在兴趣为其推荐合适的课程。模型在ECKN的基础上采用了端到端（end to end）方案,使知识图谱嵌入模块与推荐模块更好的耦合;其次,KGAN在利用知识图谱的语义信息增强课程实体表征的基础上,采用传播策略使用课程之间多样的关联有效地增强了用户表征。此外,KGAN提出了知识分组注意网络,对用户的注意力优先级更加细致地进行划分以挖掘其复杂的意图。实验表明,KGAN在真实数据集中的表现相对RippleNet、CKAN等主流方法具有更加优异的性能。