在线教育平台为学习者提供学习资源的同时,也存在信息过载和信息孤岛的问题,采取何种方式组织这些教育数据已成为教育数据挖掘领域关注的焦点。试题是一类重要的教育数据资源。在教育活动中,通常采用答题数据来检验教师教学质量和学生学习情况,教育目标评价与试题的设计和组织密切相关。根据修订版布鲁姆教育目标分类学,教育目标由知识点和认知动词两个维度量化评价,知识点和认知动词分别描述了预期学习者所要学习的内容及其对所学内容的掌握程度,因而可从知识点和认知动词层面来组织试题等教育数据资源。试题数据多以非结构化文本的形式存在,且试题标注本质上是一类文本分类任务,因此可从文本挖掘的角度来研究试题知识点和认知动词标注问题。本文利用文本挖掘技术对教育文本进行预处理和文本表示,继而探索知识点间的关联、认知动词间的分布差异,实现分类标注。具体研究内容如下:(1)在试题知识点标注方面,本文提出了一种基于重要度加权的关联分类试题知识点标注方法。首先,从教材中构建全连接的知识点网络,并采用PageRank算法计算知识点重要度。其次,按知识点标签划分试题和教材章节内容,采用Apriori算法从知识点试题子集中抽取出频繁项集,通过TF-IDF抽取教材特征词。最后,合并知识点频繁项集和教材特征词,构成知识点规则,并定义知识点重要度加权下的知识点规则和试题间语义相似度计算方法,实现知识点标注。(2)在试题认知动词标注方面,本文提出了一种基于概率分布估计的半监督集成试题认知动词标注方法。首先,选用多特征组合的方式表示试题文本,并构建深度学习模型来估算试题认知动词概率分布,用以扩充试题表示。之后,用含认知动词概率分布的试题表示来训练集成学习模型。最后,结合无标签试题数据,对深度学习模型和集成模型进行联合训练,即采用标签传播算法和集成学习模型对无标签试题进行联合标注,将标注一致的试题及伪标签添加到训练集中重新训练深度学习模型和集成学习模型。实验结果表明,本文提出的方法能有效实现试题知识点和认知动词标注,且在建模中考虑知识点关联关系和认知动词分布差异可以进一步提高标注效果。此外,本文从文本可视化的角度对知识点间组织关系、认知动词界限进行解释,使研究结果更具说服力。