互联网的发展,使得人们之间的交流变得更加方便,地域变得更加广泛,信息也变得更加具有实时性。人们在交流、获取信息的同时,自身也会产生大量的信息在网络中传递,久而久之越来越多的人和组织参与互联网交流,产生的信息量与日俱增。人们在网络上浏览信息的时候,由于信息资源的庞大,难以找到符合自己兴趣的、适合自己的信息资源,基于这样的问题,推荐系统在互联网条件下迅速发展,不仅极大方便了人们的生活,也满足了人们日益增长并且不断变化的需求。网络的发展,也加快了教育发展的进程。如今,为了能够获取更加多元化的知识,学生也已经不满足于日常的课堂学习,逐步开始了在线学习,网络为在线教育奠定了良好的发展基础,学生用户越来越多,学习资源也越来越丰富,于是,在线教育平台也面临了信息过载问题。为了解决这一问题,采用了推荐技术。本文对传统推荐算法和应用深度学习的推荐算法进行了研究,以学生试题资源为背景,结合认知诊断提出了一种基于认知诊断及注意力机制的个性化试题推荐算法。根据学生对试题的作答信息,通过认知诊断建模,得出学生的知识点掌握水平,而后以知识点掌握水平为基础,结合试题资源的知识点信息、题干信息以及专家标注的难度信息,通过神经网络,对试题资源难度进行个性化评估,向学生推荐试题资源。本文通过实验验证了算法的可行性,结果表明该方法能够在不同规模的试题推荐上取得较好的推荐结果。本文主要研究内容如下:(1)对相关文献以及涉及算法进行研究。本文对相关的推荐算法文献逐一进行了介绍,将推荐算法分为传统推荐算法和应用深度学习的推荐算法,按照其领域分别作了解释。(2)个性化试题资源推荐算法设计。传统的在线教育平台学习资源推荐算法,是基于内容的推荐技术和基于协同过滤的推荐技术,并未直接针对于两者的知识点信息。因此,本文提出了上述基于认知诊断及注意力机制的个性化试题推荐算法,对试题资源难度进行个性化评估。(3)本文设计和实现一个学习资源推荐系统,并对系统的设计目标,需求分析,系统流程,模块设计进行介绍。