1.一种基于关联关系分析的课程推荐方法，其特征在于，所述基于关联关系分析的课程推荐方法，包括：步骤1、根据在线课程平台的用户应用历史记录获取实体，所述实体包括课程、用户、知识概念、教师、视频；

步骤2、对知识概念实体提取语义特征Sk；

步骤3、获取知识概念与其他实体的关联矩阵，并通过预设的元路径集合进行重构，获取对应的元路径邻接矩阵集合n是知识概念实体与其他实体的元路径的个数；

步骤4、获取用户实体与其他实体的关联矩阵，并通过预设的元路径集合进行重构，获取对应的元路径邻接矩阵集合 m是用户实体与其他实体的元路径的个数；

步骤5、将用户实体的元路径邻接矩阵集合 输入到关联关系特征提取模块中，得到用户实体的关联关系特征Xu；

步骤6、将知识概念实体的语义特征Sk以及元路径邻接矩阵集合 输入至实体表示模块中，得到知识概念实体在各条元路径下的实体表示集合步骤7、将用户实体的关联关系特征Xu以及元路径邻接矩阵集合 输入至实体表示模块中，得到用户实体在各条元路径下的实体表示集合步骤8、将知识概念实体在各条元路径下的实体表示集合进行加权合并，得到知识概念的最终实体表示ek；

步骤9、将用户实体在各条元路径下的实体表示集合进行加权合并，得到用户的最终实体表示eu；

步骤10、通过对知识概念与用户的最终实体表示进行计算，得到用户对课程概念的评分矩阵，根据此评分矩阵，对用户进行课程推荐；

其中，所述获取用户与其他实体的关联矩阵，并通过预设的元路径集合进行重构，获取对应的元路径邻接矩阵集合 包括：

步骤4.1、构建用户实体与其他实体的关联矩阵集合，对于每个关联矩阵，若具体的一个用户与具体的一个其他实体存在交互关系，则在所述关联矩阵中设置对应的元素为1，否则设置为0；

步骤4.2、在实体关系的基础上设计所需要的元路径，并得到一个元路径集合再将步骤4.1中得到的关联矩阵通过预设的元路径按照以下公式进行重构：

i

其中I为单位矩阵，cu为用户实体的数量， 为用户与其他实体e 的关联矩阵， 为用i户与其他实体e 的关联矩阵的转置，得到用户实体在每条元路径下的邻接矩阵集合row表示矩阵的行数；

所述将用户实体的元路径邻接矩阵集合 输入到关联关系特征提取模块中，得到用户实体的关联关系特征Xu，包括：步骤5.1、如果用户实体ui,uj在邻接矩阵 中对应的关联关系值大于所设定的阈值，则将ui,uj的关联关系信息(ui,r,uj)写入关联关系三元组G＝{(ui,r,uj)}中，其中r为ui,uj对应的元路径；

步骤5.2、构建一个图Graph(V,R,E,X,Z)，其中V为实体的节点集合，R为实体的关系集合，E为增广后的关联关系三元组集合，X为节点的初始化值，Z为初始化的关系特征，其中，由G构建V,R,E，对于每条关联关系(ui,r,uj)∈G，都有ui,uj∈V；R由G中的关联关系得到，R‑1＝R'∪R'inv∪{Se},其中R'＝{r|(ui,r,uj)∈G}，Ri'nv＝{r |(ui,r,uj)∈G}，Se表示自环关，E由G增广生成并得到最终的关联关系三元组集合：‑1

E＝{(ui,r,uj)|(ui,r,uj)∈G}∪{(uj,r ,ui)|(ui,r,uj)∈G}∪{(u,Se,u)|u∈V)}；

步骤5.3、构建关联关系特征提取模块：

其中N(uj)是uj的连接的直接邻居集合， 表示一个合成算子，λ(r)表示关系类型，为节点ui初始化的实体特征，zr为初始化的关系特征， 为节点uj在第一层生成的关联关系表示， 为第一层生成的关系表示，Xu为最终生成的关联关系特征，特别的Wλ(r)是特定的关系型参数；

步骤5.4、最后通过步骤5.3中构建的关联关系生成公式的计算，输出得到用户实体的关联关系特征矩阵 其中cu为用户实体的数量，du是特征矩阵的维度。

2.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述对知识概念实体提取语义特征Sk，包括：步骤2.1、通过词嵌入的方式获取知识概念实体的语义信息，对于每个具体的知识概念ki都生成一个特征向量 其中dk为每个特征向量的维度；

步骤2.2、将所有知识概念对应的特征向量合并为一个语义特征矩阵 其中ck为知识概念实体的数量。

3.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述获取知识概念与其他实体的关联矩阵，并通过预设的元路径集合 进行重构，获取对应的元路径邻接矩阵集合 包括：

步骤3.1、构建知识概念与其他实体的关联矩阵集合，对于每个关联矩阵，若具体的一个知识概念与具体的一个其他实体存在交互关系，则在所述关联矩阵中设置对应的元素为

1，否则设置为0；

步骤3.2、在实体关系的基础上设计所需要的元路径，并得到一个元路径集合再将步骤3.1中得到的关联矩阵通过预设的元路径按照以下公式进行重构：

i

其中I为单位矩阵，ck为知识概念实体的数量， 为知识概念与其他实体e的关联矩阵，i为知识概念与其他实体e的关联矩阵的转置，得到知识概念实体在每条元路径下的邻接矩阵集合 row表示矩阵的行数。

4.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述将知识概念实体的语义特征Sk以及元路径邻接矩阵集合 输入至实体表示模块中，得到知识概念在各条元路径下的实体表示集合 包括：步骤6.1、构建实体表示模块，通过三层的生成计算得到最终的实体表示，具体结构如下：其中X为实体的节点特征矩阵， 为元路径 下的邻接矩阵， 分别为三层的实体输出， 分别代表三层实体表示模块的三组可训练的参数矩阵，ReLU()为激活函数，最终得到的该条元路径上的实体表示就是第三层的输出，即步骤6.2、将知识概念的语义特征Sk作为节点特征矩阵，与元路径邻接矩阵集合 输入至实体表示模块中，得到不同原路径下知识概念实体的表示集合

5.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述将用户实体的关联关系特征Xu以及元路径邻接矩阵集合 输入至实体表示模块中，得到用户在各条元路径下的实体表示集合 包括：步骤7.1、构建实体表示模块，通过三层的生成计算得到最终的实体表示，具体结构如下：其中X为实体的节点特征矩阵， 为元路径 下的邻接矩阵， 分别为三层的实体输出， 分别代表三层实体表示模块的三组可训练的参数矩阵，ReLU()为激活函数，最终得到的该条元路径上的实体表示就是第三层的输出，即步骤7.2、将用户的关联关系特征Xu作为节点特征矩阵，与元路径邻接矩阵集合 输入至实体表示模块中，得到用户实体在各条元路径下的实体表示集合

6.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述将知识概念实体在各条元路径下的实体表示集合进行加权合并，得到知识概念的最终实体表示ek，包括：步骤8.1、设计加权合并的权重生成函数如下：

其中， 为元路径 的第二个关注对象，v,w1,w2,b为可训练的参数，p为一个属于(0,1)的比例参数，soft max(),tanh()为两个激活函数， 为元路径mpi的合并权重，为元路径 上知识概念实体的表示， 为元路径 上知识概念实体的表示；

步骤8.2、遍历知识概念实体的所有元路径得到每条原路径的合并权重；

步骤8.3、遍历知识概念实体的所有元路径将所有实体加权合并，得到最终的实体表示ek。

7.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述将用户实体在各条元路径下的实体表示集合进行加权合并，得到用户的最终实体表示eu，包括：步骤9.1、设计用户实体的权重生成函数：

其中， 为元路径 的第二个关注对象，v,w1,w2,b为可训练的参数，p为一个属于(0,

1)的比例参数，soft max(),tanh()为两个激活函数， 为元路径mpi的合并权重， 为元路径 上用户实体的表示， 为元路径 上用户实体的表示；

步骤9.2、遍历用户的所有元路径得到每条原路径的合并权重；

步骤9.3、遍历用户的所有元路径将所有实体加权合并，得到最终的实体表示eu。

8.根据权利要求1所述的基于关联关系分析的课程推荐方法，其特征在于，所述通过对知识概念与用户的最终实体表示进行计算，得到用户对知识概念的评分矩阵，包括：步骤10.1、设计最终的目标优化函数如下所示：

其中ru,k为目标评分矩阵， 为通过矩阵分解所得到的评分矩阵，cu,ck分别为用户实体与知识概念实体的数量，tu,tk为矩阵分解中为确保实体在同一纬度空间的训练参数，λ为正则化项参数，最终通过梯度下降算法优化最终目标的函数的局部最小值；

步骤10.2、通过矩阵分解的方法得到用户点击知识概念的评分矩阵如下：其中xu,yk是在矩阵分解中随机初始化的用户实体与知识概念实体的潜在因子，βk,βu为调整参数；

步骤10.3、得到最终的用户对课程知识概念的评分矩阵，并根据评分大小向用户推荐课程。