移动终端的普及和数字化学习技术的发展,催生了在线学习这一新兴学习方式。大规模在线学习平台以其开放、线上和多元化的优势,打破了时空限制,重塑了传统教学模式。但由于缺少教师及时有效地指导,在线学习者往往被淹没在海量的知识中,无法找到符合自身需求的在线课程,出现信息超载等问题。近年来,研究者开始使用推荐技术来解决信息超载问题,该技术试图从海量在线课程资源中筛选出符合学习者个体特征的内容,从而实现个性化课程推荐。但是,现有的个性化课程推荐算法还存在如下问题:部分研究对学习者和课程的建模不够精确,主要根据课程的相似性或者学习者的相似性进行推荐,没有充分利用学习者和课程的高阶交互信息;现有推荐方法仍存在较为严重的数据稀疏和冷启动问题,推荐结果的精确性和多样性还不能满足实际应用的需求。针对以上问题,本文将图这一复杂的数据结构引入到个性化课程推荐研究之中,围绕两类不同场景提出了基于图结构的在线课程推荐算法,并进行了实验验证。主要研究内容和贡献如下:（1）提出了基于二部图的在线课程推荐算法。首先利用学习者和课程的交互数据构建学习者-课程二部图,然后以学习者或课程作为中心节点来构建子图,用图卷积神经网络提取二部图的局部结构特征,通过多次迭代的方式来增强学习者和课程的嵌入表示,从而得到语义信息更强的特征表达。在真实MOOC平台数据集上的实验结果表明,本文算法相较于基线方法,具有相似准确度的情况下在召回率上有更好的表现。（2）提出了基于知识图谱的在线课程推荐算法。首先构建在线课程知识图谱,将半结构化的课程数据处理成三元组形式的课程资源知识,然后把知识图谱作为辅助信息融入到在线课程推荐算法,缓解传统课程推荐面临的数据稀疏性和冷启动问题。本文还使用注意力机制来区分知识图谱三元组不同关系的重要程度。最后在课程知识图谱数据集上进行实验,实验结果表明,本文提出的基于知识图谱的课程推荐方法在召回率、准确率等评价指标上有更好的表现。