现有的学习平台大多将传统的web推荐算法直接应用到学生的课程学习中,根据学生的历史学习记录找到内容相似的课程资源做出推荐,但是这类算法没有深入挖掘学生的学习特点、与学生相关联的社交关系,面临着推荐精度低、个性化学习效果差等困境。针对同一课程资源内的知识点,现有的推荐算法对知识点的研究较少,缺乏对学生学习数据的分析,不能合理的评价学生对知识点的掌握程度,不能有效的为学生推荐所需的知识点。针对上述问题,本文以提高学生的个性化学习为目标,认真分析了学生在选择课程资源、学习具体课程知识点面临的困境。引入学生间的信任关系提出了一种课程资源推荐算法;构建课程知识图谱,改进词向量语言模型提出了一种课程知识点推荐算法模型。本文的主要工作内容和创新点如下:（1）针对课程资源的推荐,本文提出了一种融入学生隐式信任的课程资源推荐算法。该算法定义了学生间的隐式信任作为显式信任的补充,在学生的课程评分预测公式中加入了信任偏置,使得学生间的信任可以矫正推荐算法带来的偏差。改进相似度计算公式使得该算法能够同时考虑到学生对课程资源的评分偏差和共同评分数。实验表明了即使在数据稀疏、冷启动的条件下,该算法也具备较高的推荐精度。（2）针对课程知识点的数量、类型繁多,知识点间的关系复杂等问题,本文提出了一种基于Neo4j的C++课程知识图谱的构建和推理方法。该方法可以有效的提取课程知识点实体及知识点实体间的关系并以三元组的形式存储在图数据库Neo4j中,对构建好的课程知识图谱进行质量评估证明了构建方法的有效性。构建完成的课程知识图谱加强了课程知识点间的学习顺序,为课程知识点推荐算法的研究奠定了基础。（3）针对课程知识点的推荐,本文提出了一种基于课程知识图谱的知识点推荐算法模型。该模型根据知识点的推荐需求改进词向量语言模型的网络结构及特征信息融合策略,解决了课程语料数据中的特征信息提取不丰富的问题。根据学生的实际学习状况定义了多种知识点推荐策略,能够有效的为学生个性化的推荐课程知识点。最后与其它主流的算法模型做对比实验证明了该模型的有效性。