在线课程的数量浩如烟海,对于学习者来说找到对自己最合适的好课程具有十分重要的意义。对于同一个技术的讲解课程,也会有很多资源供学习者选择,但是学习者很难在数量庞大的课程中选择到合适自己的课程。选择到合适自己的课程一般有两个方面的因素:一方面主动权在用户手里,用户通过课程信息和点评选择出课程,另一方面主动权在平台手中,平台通过丰富信息推荐给用户适合他的课程。所以一个深入挖掘评论用途的第三方的课程点评平台是很有价值的。本文提出了一种使用图卷积神经网络辅助学习的冷启动算法,在传统的联合训练方法的基础上,使用经过图卷积神经网络学习得到的协同过滤表示来引导联合训练的学习,以提高联合训练方法的学习成果,同时引入随机概率策略,防止联合训练方法受到不好的辅助信息的影响。最后通过实验证明了在冷启动推荐工作上,使用图卷积神经网络辅助学习的冷启动算法在推荐结果方面具有明显的优势,相较于传统的联合学习方法,使用图卷积神经网络辅助学习的冷启动算法大大减轻了无效学习的问题。并且通过随机概率策略,可以有效地避免在学习过程中模型受到质量不好的辅助信息所带来的干扰。本文也将理论与实际相结合,应用图卷积神经网络辅助学习的冷启动算法模型,开发了课程点评平台,将冷启动算法应用在个性化推荐模块实现上。用户通过系统可以查看各个课程的课程详情和丰富的、有价值的评论详情以及可视化图表数据,初学者能够通过平台的学习路线模块辅助自己的阶段学习,对于用户的个性化推荐使用了用户的行为数据以及学习路线情况,充分利用了整个平台的数据为用户推荐最合适的课程,由此为用户提供了一个有价值的第三方课程点评平台。本平台不仅提高了在线课程的评论可信度,同时在评论的文本内容质量方面也大幅提高,还进一步把评论的数据进行各方面的处理,让用户能够短时间内了解课程的总体评价情况。