随着因特网的普及与物联网的兴起,信息技术在永不停息的向前发展,信息产生和传播的速度在随着科学技术的进步,不断的提高。但是,在这些不断增加的信息当中,大多数都是低价值密度的信息,如何从大量的低价值密度的信息当中,发现、提炼出高价值的、具有精确性和实用性的信息成为了关键所在。在这种背景下,推荐系统(Recommender Systems)随之出现。推荐系统包括三个组成要素:推荐候选项、用户和推荐策略。就推荐策略而言,协同过滤算法因其能够满足个性化推荐的需求而被广泛采用,该算法本身也在不断的进化发展。伴随着推荐系统中不断出现的新增用户和新增推荐项,数据的冷启动已经成为了推荐系统中最常见的问题。同时,为了适应不同领域的推荐需求,协同过滤算法也出现了各种变体。但是,在计算相似度时,主流的推荐方法只考虑到用户对推荐候选项的评价,或者是根据用户的属性和推荐候选项的属性来计算,导致推荐效果不佳。本文针对这些问题,提出了基于领域知识的推荐算法。其中研究解决了两个方面的问题:(1)试题具有相关性约束的特点,协同过滤推荐算法,忽略了试题的相关性约束和学生信息,无法完成对试题的评价,更不能将学生深层需求信息和试题的特征信息进行匹配。针对这些问题,本文给出了描述学生特征、评价试题和挖掘试题相关性约束的方法。将协同过滤推荐算法的应用范围扩展至试题推荐领域。(2)针对提高推荐合理性的问题,利用试题存在相关性约束的特点。在上一步协同过滤算法的基础之上,利用时序模型挖掘试题之间的先序关系,结合试题的先序关系,为学生提供更加合理的试题推荐。最后,通过实验验证了基于领域知识的试题推荐算法(domain knowledge based test recommendation algorithm)DTRA的可行性和有效性。该算法能够收到满意的推荐效果。