随着互联网的快速发展以及人们对教育需求的不断增长,2012年出现了大规模在线开放课程这种新型的在线学习模式。伴随着大规模在线课程平台的快速发展,任何人均可上传课程到平台上来,课程数量不断增加且教学内容存在大量冗余,出现类似电商平台的信息过载问题;同时,由于在线开放课程平台缺少清晰的学习架构引导用户制定学习策略,用户难以从海量数据中选择适合自己的课程。因此,本文旨在利用推荐系统,分析用户的历史行为,有效挖掘用户偏好表示,实现在大规模在线开放课程应用场景下对用户的个性化课程推荐。然而,推荐系统的研究面临诸多挑战。一方面,在教育领域,平台上的用户规模十分庞大,但交互数据十分稀少,数据面临稀疏性的问题。另一方面,现有的研究大多将用户建模成静态表示,并不适用于课程推荐的应用场景,因为用户的学习行为是动态的连续过程,静态建模不能很好的表示用户的学习增长。最后,现有推荐系统技术大多关注推荐结果的准确度,忽略可解释性。而可解释性不仅能增强用户信任,也为模型设计人员提供改进方向。针对这些问题,本文提出以下三种方法:（1）针对数据稀疏问题,本文采用将知识概念信息融合推荐系统的策略。为此,构建一个新的数据集—Java在线学习数据集,并搭建知识概念图谱引入推荐系统,从而为推荐系统引入更多有效信息。同时为了减少知识图谱中噪音的引入,引入元路径策略,只提取知识图谱中符合需求的信息参与到推荐过程,从而提高推荐性能。（2）针对传统静态建模不适应于课程推荐的问题,本文采用时间序列建模方法,时间维度上采用门控循环单元建模,将用户的历史交互数据和用户表示共同作为门控循环单元的输入,输出下一时刻用户与每门课程交互的概率。（3）既有的知识图谱融合推荐系统研究中,基于路径的方法能为推荐结果带来可解释性。本文利用知识图谱的连通性,通过预定义的元路径连接用户和课程,针对不同的路径学习不同的权重,区分每条路径对推荐结果的贡献程度,使推荐结果具有可解释性。最后,本人用Java在线学习数据集在传统推荐模型、序列推荐模型和既有融合知识图谱的推荐模型进行对比试验。结果表明,本文提出的模型从推荐性能和可解释性上都进行了优化,实验验证了所提模型的有效性。个性化推荐系统的研究,不仅为用户获取有效信息具有重要指导意义,而且高效的推荐也能提升在线服务的市场价值,甚至对社会发展和国家安全具有重要意义。推荐系统相关理论与方法的研究结合了不同学科不同分支,对不同学科的发展起到促进作用,同时也是产学研相结合的典型代表,有利于促进产业和科研相互配合,体现综合优势。