个性化习题推荐是教育数据挖掘领域的重要课题,习题推荐算法能够根据学生的习题提交记录来了解学生的学习进度,并根据一定的规则对学生推荐合适的题目,达到辅助学生学习的目的。对个性化习题推荐的研究能有效地提高在线教育的质量,有很重要的意义。目前习题推荐算法进一步发展面临的问题主要有两个:(1)现有习题推荐方法主要分为基于协同过滤的推荐算法和基于对知识建模的推荐方法。协同过滤方法对学生的做题数据挖掘,寻找相似用户和习题,往往忽略学生对知识的掌握状态;而对知识建模的方法从学生的个人水平出发,大多忽略了对相似学生之间共同特征的利用。(2)现有的习题推荐策略主要是对资源进行评分排序或依赖专家制定,效率不高,难以根据学生知识水平的变化及时调整推荐方向。针对以上问题,本文提出一种结合深度知识追踪模型与协同过滤方法的个性化习题推荐方法。该方法首先以深度知识追踪模型对学生知识建模,再结合协同过滤方法,计算学生的习题正确概率,并依据该概率,将一定难度范围内的习题推荐给学生。该方法同时参考了个人的知识水平和相似情况学生的近邻信息,具有更好的模型精度,并能够根据难度范围推荐适合的内容。并通过基于真实数据的实验进行了验证,本文的具体贡献如下:1.为了提高习题推荐算法模型的精度,创新性地将深度知识追踪模型与协同过滤算法结合,设计了新的习题推荐模型DKT-CF,提高了习题推荐算法的精度。首先,基于学生的做题提交历史数据,通过训练深度知识追踪模型DKT输出学生的个人知识水平矩阵,并使用该矩阵代替用户评分矩阵,通过协同过滤算法寻找相似学生群体,引入近邻信息,综合考虑产生个性化习题推荐。在两个真实数据集上的实验证明:该模型通过结合学生个人的知识水平信息和相似学生的群体性信息,明显提高了推荐算法的精度。相比DKT和DKT的改进模型DKT+,精确率(precision)分别增加2.0%、2.2%;召回率(recall)分别增加3.1%、0.6%;同时兼顾精确率和召回率的综合指标F1值分别增加0.04、0.01。2.通过引入难度范围参数,可以根据模型对学生的预测,推荐回答正确难度在范围内的题目给学生,使推荐结果比简单的排名推荐有更高的灵活度和可解释性。并以模型作为学生模拟器改进习题推荐策略,通过模拟学生练习不同难度推荐题目的后续提交序列,计算学生知识水平变化,使算法可以自适应的找出对于学生知识水平提高最快的合适难度。在两个真实数据集上的实验证明:通过选取使学生知识水平提升最快的难度进行推荐,知识水平提升速度相当于对资源评分排名推荐策略的1.57倍和2.12倍,且无需额外专家知识。