随着信息技术的发展,网络学习资源数量源源不断地增加,造成了“信息过载”的现象,学习者面对海量习题,难以高效地从中筛选出最适合自己的题目,因此学习者的个性化学习需求也更加强烈。个性化推荐是缓解信息过载的有效手段之一,但目前的推荐模型大多是以传统的协同过滤和认知诊断为基础,没有充分考虑到习题之间的隐式关联,且在网络平台上数据基数大的情况下容易造成数据稀疏问题,学习资源的不断扩充和在线学习平台用户的不断增加也容易造成冷启动问题。因此,构建合适的知识图谱,利用知识图谱中丰富的语义关系,辅助推荐模型提高推荐性能是一项十分有意义的研究。为了实现知识图谱增强的个性化习题推荐,本文针对在线评测（Online Judge,OJ）系统具有在线交题、判题功能且题量大、涉及算法多的特点,设计并实现了融合知识图谱的在线评测系统习题个性化推荐算法,并基于该算法搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。本文的主要工作如下。一、提出了知识图谱增强的神经矩阵分解推荐模型MKRN（Multi-Task Feature Learning for Knowledge Graph enhances Recommendation with Neural Matrix Factorization）。针对在线评测系统下的个性化习题推荐场景,提出了 MKRN模型,一方面,该模型在传统的协同过滤基础之上引入了并行的神经网络模块,通过这两个路线把它们各自的特征结合起来能够促使它们相互强化,提升模型的推荐能力,并且使用本文提出的LEMD-GA算法构建学习者-习题匹配度矩阵,以更好地对复杂的用户-习题关系进行建模;另一方面,基于在线评测系统下的习题信息构建习题知识图谱,并通过交叉压缩单元将知识图谱中所蕴含的语义信息融合到推荐任务中以缓解冷启动问题。整体来说,本模型是在多任务学习框架下,将习题知识图谱中所蕴含的习题间隐式关联信息融入到以神经矩阵分解为基础的推荐模型中,完成个性化习题推荐任务。通过实验验证了本文所提出的习题推荐模型MKRN的有效性,其能够达到85.1%的习题推荐精确率。二、搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。通过学习分析技术可以向学习者提供个性化的学习服务,本文在整合学习者做题过程数据的基础之上,运用推荐模型向学生推荐合适的习题。在实现上,采用B/S架构,以知识图谱增强的习题推荐模型为基础,构建了学习分析系统,能够实现以下功能,一、学习者做题学情分析;二、学习者能力水平分析;三、学习者个性化习题推荐,使得每个学习者都能得到最有效的教学指导,提升学习效果。在6919道在线习题组成的真实数据集上开展了对照实验,结果表明本文方法能有效向学习者进行习题推荐,验证了本文所使用的习题推荐模型的有效性,并在实现算法的基础上,进一步构建了以MKRN模型为基础的习题推荐学习分析系统。