信息时代,随着大数据技术的快速发展和广泛应用,学习者面临着海量的信息服务和学习资源。以在线学习平台为例,当面对如此海量的数字化教育资源,如何为学习者选择满足其兴趣和能力水平的学习资源成为一大难题。个性化推荐系统,作为信息检索领域的有力工具,能有效通过历史行为分析并提取用户偏好,为学习者提供优质化的资源推荐服务。社交关系,作为用户信息的有效补充,则能进一步为推荐系统提供高质量的建模能力和推荐准确性。在此背景之下,探索一种高效、精准的个性化资源推荐方法并为学习者提供优质的个性化服务,就显得十分必要。本文基于图卷积神经网络的表示学习方法,旨在针对传统推荐系统中的“数据稀疏性”问题和“可解释性”问题,对学习者的多视角偏好和复杂社交关系进行建模,并提供不同的解决方案来构建两种社交推荐模型。最后基于在线教育场景下的数据集进行验证分析,为资源推荐服务提供进一步指导,有助于提高学习者的体验效果。本文的主要工作包括:1)提出了一个基于用户多视角的社交推荐模型。为了增强推荐系统的“可解释性”问题,该模型将用户偏好分为显式偏好和隐式偏好,并利用项目的属性信息对显式偏好进行划分,隐式偏好则用来表征那些用户在未知视角下的偏好情况。为了对不同视角下的用户偏好进行融合,注意力单元被引入来对用户偏好进行预测。实验结果证明了所提出的模型与最先进的推荐方法相比,在两个公开数据集Yelp和Ciao上的性能均得到提高。进一步的消融实验展现了设置显式偏好的有效性和合理性。2)提出了一个融合图卷积神经网络的复杂社交关系推荐算法MPSR。考虑到实际生活场景中,用户社交圈的差异性:在不同情境下对不同朋友的信任度不同,该方法将用户的社交关系视为多视角的,对不同视角下社交网络边的权值进行差异化设置。为使社交影响在不同视角下进行更加合理的传播,在不同视角下对用户特征进行构建,重新定义不同的社交连接关系。最后,基于多视角的用户偏好模型对用户偏好进行预测。实验结果证明了所提出的模型,与最先进的推荐方法相比,在两个公开数据集Yelp和Ciao上的性能均得到有效提高。稀疏度的分组实验表明该方法在稀疏用户上有更强的建模能力,推荐准确性更高。进一步的案例分析和社交信任度设置实验,证明了利用统计方法设置多视角权重的合理性和有效性。3)构建了基于在线学习云平台的数据集,并对相关算法进行了教育场景验证。我们对学校云平台上的数据进行收集并整理,构建了基于在线学习场景的Spoc数据集,并对数据集的相关特性进行展示和分析。相关对比方法在Spoc数据集上的实验证明了我们提出方法的有效性,为教育场景中的资源推荐算法提供了进一步指导,有助于提高学习者的体验效果。