最近几年来,大数据技术与互联网络技术发展迅速,在海量数据的背景下我们可以搜集大量的数据资源。特别是在教育领域,试题以及知识更是海量的存在。在我们学习生活中会需要在网络上去收集一些我们需要学习的知识,但如今这种海量的数据情况下,找到自己想要的知识或者一些试题是很浪费时间的,以至于会降低学习效率。近几年来,随着推荐算法的普及,在电商平台应用非常广泛,可以推荐用户合适的商品,当电商平台有更大的受益化,因此,我们可以将推荐算法应用到教育领域,给学习者推荐合适的学习资源,可以更高效的学习。但是,在传统的电商推荐商品领域中,系统可以根据用户的兴趣偏好进行推荐相似的商品,其中大部电商网站都采用协同过滤推荐算法以及混合算法推荐,取得的不错的效果。然而,在教育领域中可能会有些问题,我们不能根据用户的喜好来进行试题推荐,因为每个用户的能力水平不是一致的,即便当前用户可能对某一个试题感兴趣,但是由于试题难度不适合用户所以该试题不应该作为待推荐试题,这也是教育推荐和商品推荐的一个区别。因此,我们在进行推荐试题是要考虑用户自身的能力,再结合用户可能感兴趣的试题进行推荐,从而会提升推荐试题的可解释性以及准确性。在进行对用户分析自身能力时,本文采取的是使用认知诊断模型进行分析,认知诊断模型主要应用在心理学,它是在认知心理学和心理计量学相结合的基础上发展起来的,是一种新型的现代心理学计量学理论。它基于诸如现代统计方法和计算机技术之类的基本工具,使用认知诊断模型可以对某一个用户诊断出它的认知结构以及认知过程,可以分析出用户的知识掌握程度。接下来我们可以通过数据挖掘的方式找到用户的频繁序列,这里的序列指的是通过用户行为信息产生的频繁序列,本文采取的算法是Apriori All算法生成频繁序列集。根据频繁序列我们可以获得待推荐的学习路径。最后,我们根据用户的知识掌握程度在学习路径上找到合适的编程试题资源,生成编程试题资源推荐列表。本文主要研究教育学习中编程试题部分,向用户推荐编程试题,针对我国大学生以及研究生推出的在线编程试题平台。通过对在线教育领域的了解后,在结合认知诊断模型应用在教育学中,相对比传统的试题推荐的网站,推荐的编程试题更加适合用户,也将本文系统进行满意度调查,大部分用户在本系统进行练习测试后对推荐的编程试题是满意的。因此,本文的在线编程系统结合认知诊断模型推荐的编程试题有较高的可靠性。