Los sistemas de recomendación de recursos de aprendizaje existentes sufren de escasez de datos y etiquetas de datos faltantes, lo que lleva a una minería insuficiente de la correlación entre usuarios y cursos. Para abordar estos problemas, proponemos un método de recomendación de recursos de aprendizaje basado en el aprendizaje contrastivo de gráficos, que utiliza el aprendizaje contrastivo de gráficos para construir una tarea de recomendación auxiliar combinada con una tarea de recomendación principal, logrando la recomendación conjunta de recursos de aprendizaje. En primer lugar, el grafo bipartito de interacción entre el usuario y el curso se introduce en una red convolucional de gráficos liviana, y se obtiene la representación incrustada de cada nodo en el grafo después de la compilación. Luego, para el grafo bipartito de interacción usuario-curso de entrada, se agregan de forma aleatoria vectores de ruido a cada nodo en el espacio de incrustación para perturbar la incrustación del nodo del codificador de gráficos, formando una representación de incrustación de perturbación del nodo para mejorar los datos. Posteriormente, se utiliza el método de aprendizaje contrastivo de gráficos para construir tareas de recomendación auxiliares. Finalmente, la tarea principal de supervisión de recomendación y la tarea auxiliar construida de aprendizaje contrastivo de gráficos se aprenden conjuntamente para aliviar la escasez de datos. Los resultados experimentales muestran que el método propuesto en este documento ha mejorado el @5 en un 5,7% y un 11,2% y el @5 en un 0,1% y un 6,4%, respectivamente, en los conjuntos de datos MOOCCube y Amazon-Book en comparación con los métodos de mejora de nodos. Por lo tanto, el método propuesto puede mejorar significativamente el nivel de minería de usuarios y cursos mediante el uso de un método de comparación de gráficos en la tarea de recomendación auxiliar y tiene una mejor inmunidad al ruido y robustez.