近年来,随着大数据、人工智能的蓬勃发展,教育形态发生了深刻的变革,在线教育发展迅速,各类在线学习平台应运而生。在线学习平台提供了海量学习资源的同时,如何为学生推荐适合自身的学习内容也成为一个难题。教育领域现有的个性化推荐研究存在诸多问题:研究内容上,现有教育领域的个性化推荐目标多为提升点击率,如推荐学生感兴趣的课程,此类研究无法帮助学生加强其对薄弱知识点的掌握,进而有效提升学习表现;研究方法上,一方面,传统的协同过滤方法无法有效解决数据稀疏性的问题;另一方面,基于内容的推荐方法通常使用简单的行为特征,缺乏专业的学习分析和教育学理论的支撑。本文基于高校在线学习平台的真实数据,开展了知识概念图和学习特征等方面的分析,构建了基于神经网络的推荐模型,最终为学生推荐合适的在线题目,进而提升学生对薄弱知识点的掌握。首先,为了挖掘学习资源背后知识点之间的联系,本文对学习平台的学习资源构建了知识概念图,从而对学习资源的知识结构进行了表征分析,同时利用知识嵌入网络技术将概念图中的概念实体与关系转化为特征向量,为推荐模型提供知识结构的辅助信息。为了有效地表征学生的学习行为特征,本文基于所罗门学习风格、布鲁姆分类学等教育学理论,对学生的学习行为数据进行分析,构建了高维的学习行为特征。在推荐算法上,本文提出了一种基于多层感知机神经网络的混合推荐模型 CKNN（Collaborative Knowledge Nerual Network）,通过自动编码器改善了数据稀疏性问题,并融合了知识概念图以及学习风格等特征,实现了精准的个性化推荐。最后,本文引入了 Attention机制对CKNN 进行优化,一方面嵌入 ECA（Efficient Channel Attention）模块对局部和全局的特征进行了缩放,另一方面嵌入知识向量的关联实体从而引入相关联的知识点信息,进一步提升了模型的推荐效果。