1.一种基于多种实体关系的在线课程推荐方法，其特征在于，所述基于不同实体关系的在线课程推荐方法系统，包括：步骤1、获取在线课程平台中各实体的数据，所述各实体包括课程、用户、课程视频、教师、课程概念，从各实体的数据中提取各实体关系，采用标准化来预处理各实体关系得到各实体关系权重；

步骤2、将各实体及各实体关系权重构成一个实体关系图，根据预设的元路径来得到实体关系图的子图，将子图的邻接矩阵作为元路径邻接矩阵；

步骤3、从各实体的数据中获得用户实体和课程概念实体的内容特征；

步骤4、将所述用户实体和课程概念实体的内容特征和相应的元路径邻接矩阵，分别输入到所构建的基于社区结构的图卷积神经网络中学习潜在的实体表示，得到不同元路径下的实体表示；

步骤5、将用户和课程概念在不同元路径下的实体表示，分别输入到所构建的特征融合函数，然后得到用户和课程概念最终实体表示；

步骤6、结合用户最终实体表示和课程概念最终实体表示，最终输出用户对每个课程的评分矩阵，然后根据评分矩阵，从大到小排序，向用户推荐课程；

其中，所述将所述用户实体和课程概念实体的内容特征和相应的元路径邻接矩阵，分别输入到所构建的基于社区结构的图卷积神经网络中学习潜在的实体表示，得到不同元路径下的实体表示，包括：步骤3.1、所构建的基于社区结构的图卷积神经网络的结构如下：其中， 是第m个元路径的邻接矩阵，Feneity是实体entity的内容特征，经过三层图

1 2 3

卷积层后得到实体entity在第m个元路径下的实体表示 其中h ,h ,h为每一层图卷积的输出；

0 1 2

通过损失函数优化参数W，W，W，所述损失函数如下：其中B为模块化矩阵，其公式为：

其中ki、kj表示第i、j个实体的边的个数；

步骤3.2、将元路径集合MP中的第一个元路径所构成的邻接矩阵 和用户实体的内l容特征Fu输入至图卷积神经网络中， 表示元路径所构成的邻接矩阵，W表示第l层上的权重矩阵，σ(·)表示激活函数，在这里使用ReLU(·)函数，其中ReLU(·)为ReLU(a)＝max{0，a}，将内容特征和邻接矩阵输入至图卷积网络中，经过三层：其中

其中

其中

1 2 3

其中，C1,C2,C3用于控制每一层图卷积的输出h ,h ,h的维度，经过三层图卷积层后得

0 1 2

到用户实体在第一个元路径下的实体表示 通过损失函数优化参数W，W，W，损失函数如下：其中B为模块化矩阵，其公式为：

其中kikj表示第i、j个实体的边的个数；

重复上述过程，依次使用元路径集合MP中剩余的元路径，最终得到用户实体所有元路径下的实体表示步骤3.3、对课程概念实体进行步骤3.2的操作，可以得到课程概念实体所有元路径下的实体表示

2.根据权利要求1所述的基于多种实体关系的在线课程推荐方法，其特征在于，所述从各实体的数据中获得用户实体和课程概念实体的内容特征，包括：将不同的课程概念组成一个语料库，语料库的大小为n1，用one‑hot编码的形式构建二维矩阵，每一行代表一个课程概念，每列的数值为0或1，课程概念语料库所构成的二维矩阵大小为n1×n1，n1表示语料库中课程概念的数量，再通过维度为n1×d1的神经网络进行降维操作，d1表示降维的维度，d1

3.根据权利要求1所述的基于多种实体关系的在线课程推荐方法，其特征在于，所述将各实体及各实体关系权重构成一个实体关系图，根据预设的元路径来得到实体关系图的子图，将子图的邻接矩阵作为元路径邻接矩阵，包括：步骤2.1、将各实体及各实体关系权重构成一个实体关系图，所述实体关系图表示为G＝{V，E}，其中V是各实体的集合，E是各实体关系权重的集合，其中 为用户与课程的关系， 为用户与课程视频的关系， 为用户与教师的关系，为用户与课程概念的关系；

步骤2.2、从实体关系图中设计所需要的元路径，得到元路径的集合MP＝{MP1，MP2，MP3......，MPl}，l表示元路径的个数；

步骤2.3、根据所得到的元路径，在实体关系图上连接所有相关的实体，得到子图，根据子图形成元路径的邻接矩阵，矩阵中的值为两个实体之间边对应的实体关系权重，重复进行上述操作，直到得到所有元路径所对应的邻接矩阵

4.根据权利要求1所述的基于多种实体关系的在线课程推荐方法，其特征在于，所述将用户和课程概念在不同元路径下的实体表示，分别输入到所构建的特征融合函数，然后得到用户和课程概念最终实体表示，包括：步骤4.1、通过特征融合函数学习不同元路径下实体所占的权重，并得到用户实体最终的实体表示，公式如下：u

E指用户实体最终的实体表示， 是相应元路径下的实体表示，其中 表示权重函数，它的值也就是

不同元路径下实体所占的权重， 等于如下：

其中 为相应元路径下的实体表示， 表示可训练的参数，最终可以表示为：

k

步骤4.2、重复上述过程，得到课程概念最终实体表示E。

5.根据权利要求1所述的基于多种实体关系的在线课程推荐方法，其特征在于，所述结合用户最终实体表示和课程概念最终实体表示，最终输出用户对每个课程的评分矩阵，然后根据评分矩阵，从大到小排序，向用户推荐课程，包括：步骤5.1、从各实体的数据中，把用户点击课程概念的次数当作评分矩阵，根据矩阵分解的方法，将评分矩阵分解为两个低阶矩阵，即用户和课程概念低维特征的潜在因子与 其中D为潜在因子xu和yk的维度，D

表示的就是评分矩阵，即每个用户在每个课程概念上的得分；

u k

步骤5.2、将用户实体E 和课程概念实体E投入预测评分矩阵的函数中，得到如下预测评分矩阵函数；

k u u k

其中可训练的参数t，t被用来确保E，E在相同的维度空间，βu，βk是调优参数；

步骤5.3、最小化矩阵分解的优化函数来调整用户和课程概念低维特征的潜在因子xu与yk，最终得到评分矩阵 优化函数为：步骤5.4、根据评分矩阵，对每个用户的课程概念进行从大到小排序，向用户推荐排在前面的N个课程。