在国家“互联网+”的战略支持下,“互联网+教育”作为一个重要分支深受重视,该模式深度推进了信息化手段和教育的融合。其中在线教育现已成为一种必不可少的教育方式,网络课程在日常教育活动中的比重迅速增加,教师和学生对网络课程资源的需求也随之迅速加大。但海量的课程资源数据带来了信息超载问题,使得用户获取个性化的网络课程资源面临诸多挑战。在此背景下,个性化推荐技术应运而生,成为有效的解决方案。现有的协同过滤算法通过用户的历史行为数据分析用户的潜在行为偏好,而在网络课程资源推荐问题中,资源内容包含大量用户内容偏好信息,对于更加准确地理解用户需求具有重要意义,本文提出了一种融合图卷积网络与内容相似度计算的网络课程推荐模型LGCM（light graph convolution network and content similarity calculation model）,该模型在 LightGCN（light graph convolution network）图卷积网络模型实现协同过滤推荐的基础上,融合CSCM（content similarity calculation model）内容相似度计算模型,实现混合推荐。该模型基于用户行为特征分析用户的行为潜在偏好,基于用户的内容需求特性分析用户的网络课程资源内容偏好,最终结合两种偏好分析实现个性化的资源推荐。本研究首先基于LightGCN图卷积网络模型组件进行协同过滤推荐,通过对用户的行为特征分析挖掘用户对网络课程资源的潜在行为偏好。对用户—资源行为交互矩阵进行轻量图卷积和层组合运算,生成用户和课程资源的特性表示并进行内积运算,得到用户对课程资源的预测分数,生成推荐列表。进而提出CSCM内容相似度计算模型组件,挖掘用户的资源内容偏好。对网络课程资源内容进行文本特征提取,并利用资源库训练Word2Vec模型将文本特征转化为词向量,通过计算向量间距离衡量用户喜好和资源间内容相似度。最后模型融合计算生成最终推荐结果。通过数据处理获取数据集,设计进行了一系列实验验证模型的有效性和推荐性能。实验结果表明,本文提出的模型可基于用户的潜在行为偏好和内容偏好实现个性化推荐,与单独的LightGCN图卷积网络模型相比,推荐性能获得了提升。