随着在线教育的快速发展,在线学习平台积累了丰富的试题资源,使学习者面临“信息过载”和“学习迷航”等问题。利用学习平台所积累的学习者行为数据和历史作答数据,评估学习者认知水平,结合知识结构进行试题推荐技术研究,对于提升用户的学习效率优化学习路径,具有重要应用价值和研究意义。认知心理学理论所构建的传统认知诊断模型在评估学习者认知水平通常基于静态场景,模型难以反应学习者的行为与试题之间的复杂关系,而基于神经网络所构建的认知诊断模型,从数据中学习学习者、知识点与试题得分之间的交互函数,无需人工设计且在学生认知水平评估上有良好表现,从而为试题推荐提供可靠技术依据。本文主要研究内容如下:（1）设计个性化知识点集合生成算法。通过学习者学习行为数据,知识领域信息表,构建学习者-知识关联模型。分析知识点、试题资源以及学习者内在知识关联性,结合学习者学习目标明确所要掌握的知识点。对其进行数据整理,生成个性化知识点集合。（2）构建神经认知诊断模型。利用学习者的历史作答数据和试题知识点关联矩阵训练神经认知诊断模型,获取学习者在试题各知识点上的认知水平。对于学习者认知水平随着学习进程的推进会发生变化,提出利用动态键值对记忆网络（Dynamic Key-Value Memory Networks）构建试题作答反馈机制,根据学习者试题作答记录,对学习者认知水平进行动态更新。（3）提出基于神经认知诊断的个性化试题推荐方法。该方法同时考虑知识点的覆盖问题和动态更新学习者的认知水平,为学习者推荐真正需要作答的试题。实验结果表明,该方法在平均绝对误差（MAE）及F1值上的表现与其他试题推荐方法相比具有一定优势。通过案例进行分析,进一步验证所提出的试题推荐方法的有效性。（4）设计并开发了个性化试题推荐在线考试系统。该系统引入基于神经认知诊断的个性化试题推荐方法,根据试题作答反馈更新推荐策略。通过对系统功能模块测试、应用效果以及学习者满意度测试,验证系统可以改善学习者的学习过程和提高用户满意度。