En el competitivo panorama del aprendizaje en línea, desarrollar sistemas de recomendación de recursos de aprendizaje robustos y efectivos es fundamental, sin embargo, el campo enfrenta desafíos debido a matrices de alta dimensión y dispersas, así como a intrincadas interacciones entre usuarios y recursos. Nuestro estudio se centra en la finalización geométrica de matrices (GMC) e introduce un enfoque novedoso, la regularización de la norma truncada basada en grafos (GBTNR) para la resolución de problemas. GBTNR incorpora de manera innovadora normas truncadas de Dirichlet para los grafos de usuarios e ítems, mejorando la capacidad del modelo para manejar estructuras de datos complejas. Este método combina sinérgicamente los beneficios de la regularización de norma truncada con el análisis perspicaz de las relaciones de grafos entre usuarios y recursos, lo que conduce a una mejora significativa en el rendimiento de recomendación. La aplicación única de normas truncadas de Dirichlet de nuestro modelo lo posiciona de manera distintiva para abordar las complejidades inherentes en las estructuras de datos de usuarios e ítems de manera más efectiva que los métodos existentes. Al tender un puente entre la robustez teórica y la aplicabilidad práctica, el enfoque GBTNR representa un avance sustancial en el campo de las recomendaciones de recursos de aprendizaje. Este avance es particularmente crítico en el ámbito de la educación en línea, donde comprender y adaptarse a las interacciones diversas e intrincadas entre usuarios y recursos es clave para desarrollar experiencias de aprendizaje verdaderamente personalizadas. Además, nuestro trabajo incluye un análisis teórico detallado, completo con pruebas, para establecer la propiedad de convergencia del modelo GMC-GBTNR, reforzando así su confiabilidad y efectividad en aplicaciones prácticas. La validación empírica a través de experimentos extensos en diversos conjuntos de datos del mundo real confirma el rendimiento superior del modelo sobre los métodos existentes, marcando un avance innovador en la educación personalizada y profundizando nuestra comprensión de la dinámica en las interacciones entre el aprendiz y los recursos.