目前国内学生群体数量庞大而教师群体数量有限,随着教育教学的发展,自适应的高效学习成为越来越多教师学生的诉求。在这个大环境下,学生需要适合自己能力水平的题目,教师需要减轻出题负担。自适应测试系统的研究和应用,将有可能有效从根本上解决教师学生的问题。本文主要关注如何优化计算机自适应测试(CAT)中题目推荐策略中过于依赖信号量和曝光度的传统题目推荐方案,增加其复杂度,高精确度,改良自动化校验的方式;如何设计自动化的题目检验方案,减轻教师和专业人员在构建题库时的负担,为他们构建题库供一个参数的参考,推进自动化题目校验的发展;语言模型的调试和整体的工程应用,如何完成从词向量训练到语言模型最终输出题目句子概率并探讨用这些概率实际辅助自动化校验的开展;本文主要对一个命令行工具类的系统进行了设计开发,在确定了语言模型所要达到辅助推题策略改进和题库构建的任务后,实际使用了包括了高性能爬虫、大型数据集清洗、词向量以及神经网络语言模型等技术,完成了一个工程项目,并且实现了实际的输出。最终输出的结论表明,不同的句子在语言模型的验证中确实出现了实际的概率差,语言模型可以通过给予更高的平均概率肯定更贴近学习过的语料、更接近常见语义的句子;通过给予更低的平均概率来否定不那么贴近常见语义和学习过的语料的句子。通过这些判断,在题库构建阶段和题目推荐筛选阶段结合其他算法信息或反馈给使用者一个参数信息,从而供辅助决策支持。