试题知识点标注是指标注试题中用到的知识点的过程。在智能化教育背景下,智能题库的构建是智能化教育的基础,智能题库的构建离不开试题知识点标注。但现有试题知识点自动标注模型存在标签空间稀疏和数据集标签样本分布不均衡的问题,导致当前试题知识点自动标注模型的准确度还不够高,模型的鲁棒性还不够强。因此,研究基于深度学习的试题知识点自动标注模型,使其能够准确地标注试题中运用的知识点,进而应用到实际的智能化教育场景中去,具有重要的研究意义。针对当前基于深度学习的试题知识点自动标注模型的研究现状和问题,本文从引入知识点标签信息的角度进行研究,基于图表示学习中的两种方法构建了两种不同的标注模型。本文的主要研究内容如下:（1）本文通过爬虫从百度题库中收集了四个科目（历史,地理,政治,生物）的高中试题文本数据来作为实验的数据集,数据集中总共包含29813条试题文本数据。并根据试题文本的特殊性专门构建了适合试题文本的预处理方法。（2）提出了一种基于节点嵌入方法的两阶段试题知识点自动标注模型。该模型利用DeepWalk模型来获得蕴含知识点标签结构信息的节点嵌入,通过预训练语言模型来获得蕴含知识点标签文本信息的文本嵌入,通过混合两种嵌入的方式来得到最终的文本表示向量。该模型在一定程度上降低了标签空间的稀疏性,能够实现较好的试题知识点自动标注效果。（3）提出了一种基于图卷积神经网络的端到端试题知识点自动标注模型。通过图卷积神经网络同时引入知识点标签中的语义信息和结构信息来作为知识点标注模型的分类器层,并结合Skip Connection来使得模型更快初始化。引入Focal Loss作为损失函数,减少样本分布不均衡问题给模型学习带来的影响,帮助模型更好的学习样本数量少的标签,达到了更好的标注效果。以上模型能够自动的从数据集中学习到试题文本的特征,具有较好的泛化能力。通过消融实验和对比实验证明,所构建的模型能够解决试题知识点自动标注任务中存在的标签空间稀疏、数据集样本分布不均衡的问题,在多个评价指标上优于先进的试题知识点标注模型。模型能够将试题中用到的知识点自动、完整、准确地标注出来,减少人力资源和时间花销,帮助促进智能化教育发展。