知识图谱目的在于表征客观世界中真实存在的实体以及刻画彼此之间的关系,自2012年谷歌提出“Google Knowledge Graph”以来,知识图谱在学术界和工业界受到广泛关注。教育测评旨在通过定量方式对学生各方面发展、课堂教与学等情况进行描述以及通过收集一定量数据后从定性层面对学生行为、发展轨迹等因素作出价值分析和价值判断,是实行科学化、智能化教育管理和研究的重要工具。随着知识图谱技术的成熟和教育测评智能化的发展,人们逐渐把目光转向了两者的有机结合上。针对教育测评领域中信息缺乏系统性组织与管理以及现有测评往往只涉及具体数值统计计算的不足,本文开展了以下两个方面的研究工作:(1)为了支持教育测评领域信息资源的互联与共享,本文提出并构建了涵盖学校、学生、试卷、试题、知识点以及各种测评指标等元素的教育测评知识图谱(Educational Assessment Knowledge Graph,EAKG),给出了EAKG的整体结构框架和构建方法与流程。EAKG的构建方法分为EAKG模式层本体的构建和EAKG数据层具体实例的构建,其中,EAKG模式层本体对教育测评领域中概念、属性、关系、公理等进行明确的形式化表达,主要包括概念类的分类结构定义、属性定义和多元关系的定义。依托于EAKG模式层结构定义的EAKG数据层刻画领域中客观存在的实体间的相互关联,主要包括概念类的具体实例和实例在各个属性上的属性值的生成。模式层-数据层的构建方法使得EAKG的构建变得层次可分同时还具有可扩展性,即新的测评数据只要按照模式层结构定义便可加入到已有知识图谱中。进一步地,在构建得到的本体EAKG-withSchema上进行逻辑推理,将蕴涵在声明中的隐含知识进行显式表达,并对推理结果进行人工检查与校验等一系列操作,最终得到一个拥有419010个节点和3838949条边的教育测评知识图谱EAKG-inferred。(2)针对基于符号表示的EAKG自身固有的离散化特性和实际教育测评常涉及数值统计计算的需要,我们结合当前主流的知识图谱表示学习模型对本文构建的EAKG进行了表示学习,将EAKG中逻辑符号表示的知识嵌入到连续稠密低维向量空间中,得到实体、关系对应的分布式表示,从而实现包括学生实体相似性计算、试卷得分预测、知识点得分预测、学生聚类分析等在连续数值空间上计算的知识应用。具体地,我们基于当前主流的6种表示学习算法对仅有数据层的EAKG-noSchema和EAKG-inferred分别进行了表示学习并对比了各自在三元组分类和链接预测任务上的性能,实验结果表明EAKG-inferred上的6种表示学习模型在两种任务上的表现性能均要优于EAKG-noSchema,表明了本文提出的模式层-数据层-推理层的EAKG构建方法的有效性。通过案例分析,我们进一步比较了EAKG的符号表示和分布式表示各自的特点,并用最近提出的大知识10MC模型将EAKG与现有主流的大规模知识图谱OpenKN、Freebase和Wiki进行了对比,结果表明EAKG整体上符合10MC模型对于大知识的定义。本文以教育测评为研究背景,结合当前热门的知识图谱技术,对教育测评领域中关键元素如学校、学生、试卷、试题、知识点以及各种测评指标等知识进行系统性建模,提出并构建了一个教育测评知识图谱,并利用当下主流的表示学习算法对其进行了表示学习,并据此分析了在数值空间上计算的各类知识应用,以促进智能化教育测评的发展和落地应用。