随着教育的发展,我国在线教育的课程规模和应用范围逐渐攀升至世界首位。在线课程在给人们带来方便快捷的学习方式的同时,也容易因资源过多引发学习者产生认知迷航或者课程选择困难等问题。个性化推荐方法能够帮助学习者从海量的课程中自动挑选出符合学习者学习兴趣的专属课程。研究方法上,传统的协同过滤模型存在比较严重的数据稀疏问题,为此,本文提出了一种融合连通子图的协同过滤模型。模型从知识图谱中抽取了连接用户-课程对的连通子图以描述用户与课程之间的连接性,使得推荐结果更加精准。本文的具体工作如下:（1）构建适用于课程推荐的课程领域知识图谱。首先从网络上抓取实验所用的课程数据源,再对课程数据源分析,确定了课程相关的实体与关系,以此完成对本体的建模;依照本体建模,从数据集中抽取相应的实体和关系,然后使用Neo4j图数据库完成知识图谱存储与可视化的工作;最后使用知识嵌入网络对知识图谱进行嵌入学习,对比分析了不同的知识嵌入网络的嵌入准确度,为后续推荐模型的实验分析作参考。（2）提出融合连通子图的协同过滤模型。在构建的课程领域知识图谱的基础上,本文提出了融合连通子图的协同过滤模型,模型从知识图谱中抽取了连接用户与课程的连通子图作为辅助信息,并引入分层语义传播与注意力机制来进行子图嵌入学习。该模型相比当前存在的推荐算法有如下优势:a.子图作为独立路径的非线性组合,包含丰富的语义和拓扑信息,比线性路径更具表达性。b.子图只保留与特定用户-项目连接性相关的实体和关系,能够避免引入来自整体的噪声。最后通过对比实验,验证了本文所提出模型的有效性。（3）构建基于知识图谱的在线学习资源推荐系统。以本文提出的融合连通子图的协同过滤模型为基础,设计并实现了基于知识图谱的学习资源推荐系统,为用户提供个性化的学习资源推荐,从而解决用户的信息迷航与选课困难问题。