科技助力教育,网络技术的发展使得在线学习的应用越来越广泛并逐渐成为一种大众广泛认可且采用的学习方式。但随之而来的海量学习资源使得学习者难以快速明确自己的学习方向,容易陷入“信息迷航”,“认知过载”等,从而导致学习效率低下,针对性差等问题。如何向在线学习用户推荐适合自身的学习资源,在帮助学习者进一步掌握所学知识的基础上提高用户的学习效率是目前在线学习平台亟待解决的问题。个性化推荐算法是根据用户的历史交互数据,通过算法主动为用户推荐恰当资源的技术,现已被广泛应用于电商、教育等领域。传统的个性化推荐算法大多依赖用户的显式交互记录特征来得到推荐结果,并未考虑推荐结果在教学中的顺序性和不同特征之间组合的相关性。为此,本文针对在线测评学习平台提出了一种基于知识图谱的个性化在线学习题目推荐算法,利用知识图谱隐式刻画学习路径,并利用自注意力网络组合高阶特征。所提出的算法通过知识图谱兼顾了在线学习中的教学顺序与用户兴趣,同时提高了推荐的准确性。本文主要完成了以下研究工作。（1）本文依托于某高校在线测评平台（Online Judge,OJ）,构建了基于OJ在线题目的知识图谱和OJ数据集。知识图谱是一种有向信息异构网络,它蕴含了推荐系统中对于资源的大量背景信息,是一类有效的辅助信息,可以很好地用于在线学习资源的推荐。本文收集梳理了在线OJ平台中所有的题目信息以及所涉及到的知识点信息,依据知识点之间的先后顺序关系与平台教学计划构建了基于Neo4j图形数据库的OJ知识图谱。同时对平台导出的20万条用户交互记录进行过滤、去重等数据预处理工作,完成OJ数据集的构建,为之后的推荐模型训练评估提供数据基础。（2）本文提出了基于偏好传播的个性化推荐模型MA-Ripple Net。该模型利用Ripple Net网络将基于嵌入与基于路径两种方法的优势结合到一起,通过逐层扩散传递,充分利用了知识图谱中的节点与路径信息。同时模型在每个偏好传播层中引入多头自注意力网络来组合用户的高阶特征信息,叠加多个自注意力网络可以得到不同阶数的组合特征。每个网络层使用多头机制将特征映射到多个子空间来评估不同的组合。最后通过融合高阶组合特征与知识图谱传播特征得到模型的输出结果。（3）本文在对MA-Ripple Net模型性能分析的基础上进行了模型参数优化,同时设计了对照实验来探究在有无推荐功能场景中模型的表现。首先本文分析并优化了MA-Ripple Net模型在点击率预估（Click-Through-Rate,CTR）和TOP-K排序场景下的表现。随后在三个数据集上与现有性能优异算法对比,结果表明MARipple Net模型在准确率、召回度等多个指标上优于现有的推荐模型。最后本文将模型集成到开源的OJ平台中,设计对照实验收集了10位志愿者在有无推荐场景下的使用数据以及调查问卷。经过分析得出具有推荐功能的OJ平台能更好地满足学习者的自主学习需求,提高学习效率。