Con el desarrollo de la educación en línea, hay una necesidad urgente de resolver el problema de la baja tasa de finalización de los cursos de aprendizaje en línea. Aunque la recomendación de pares de aprendizaje puede abordar eficazmente este problema, los estudios previos de los métodos de recomendación de pares de aprendizaje extraen solo una parte de la información de interacción y no tienen en cuenta la heterogeneidad de los diversos tipos de objetos (por ejemplo, estudiantes, profesores, videos, ejercicios y puntos de conocimiento). Para motivar mejor a los estudiantes a completar cursos de aprendizaje en línea, proponemos un método novedoso para recomendar pares de aprendizaje basado en una red de información heterogénea ponderada. En primer lugar, integramos los diferentes objetos mencionados anteriormente, diversas relaciones entre objetos y los valores de atributos a enlaces en una red de información heterogénea ponderada. En segundo lugar, proponemos un método para generar automáticamente todos los meta-caminos ponderados significativos para extraer e identificar meta-caminos significativos. Por último, utilizamos el marco de optimización de Clasificación Personalizada Bayesiana (BPR) para descubrir los pesos personalizados de los estudiantes objetivo en diferentes meta-caminos ponderados significativos. Realizamos experimentos con tres conjuntos de datos reales, y los resultados experimentales demuestran la efectividad y la interpretabilidad del método propuesto.