考试对于学生的整个学习过程来说是尤为重要的环节。然而,传统的纸质化考试在人工出题、试卷印刷、学生考试、人工阅卷和成绩统计等过程中,会产生大量的人力消耗和时间开销,而且试题选择固定或随机,缺乏学生个体针对性。针对传统纸质化考试存在的问题,本文设计开发了在线考试系统。目前,虽然在线考试系统已经应用非常普遍,但是这些系统往往忽略了学生个性化的学习需求。市面上存在的考试系统,主要以营利为目的,更加注重界面的美观设计和功能的扩展;而很多高校的考试系统,则是为了测评学生近期的学习情况,所以更加关注核心的线上考试功能,相对比较简单。在如今数据量巨大、信息过载的时代,推荐系统作为一种个性化的解决方案,已经广泛应用在各个领域;而个性化的学习方式才能更好地激发学生的学习兴趣,更针对性地帮助学生学习,提高成绩。为实现学生个性化的学习需求,并满足学校和平台的要求,本文实现的考试系统除了具备基本的自动组卷、阅卷功能外,还具有模拟试卷、知识点练习和错题重做等题目练习功能;同时将推荐算法引入所开发的考试系统中。本文主要聚焦于练习试题的推荐,在学生题目练习功能模块的知识点练习中设计了两种练习方式,分别为自主随机抽题练习和利用推荐算法推荐题目练习。针对题目推荐功能,本文研究了一种基于神经图模型的推荐算法,用于进行试题的推荐,可根据学生历史的错题记录,为学生推荐一些适合他们的易错题和知识点掌握不牢的题目。而实验也表明,本文研究的推荐算法相比其他类似的几种算法在推荐效果上有所提升。本文主要工作如下:(1)针对学校和平台的需求,开发了一款在线考试系统,并且就学生个性化的学习需求,对推荐系统领域的一些典型应用进行了学习和了解,并探索了基于内容推荐、基于模型推荐和协同过滤等经典的传统推荐算法的原理。(2)针对考试系统试题推荐练习的功能,进行了推荐算法研究。在神经图协同过滤算法(NGCF)的基础上进行了改进,提出一种基于深度学习和注意力机制(Attention)的推荐算法模型NGCF-Att。首先,在NGCF的交互层采用多层神经网络代替了内积;其次,在传播层的消息构建中引入了注意力机制。(3)使用Tensorflow实现推荐算法,并在可映射为本系统数据库格式的Amazon-book和Gowalla等公开数据集上进行实验来验证推荐算法的效果。