高性能计算（High Performance Computing,HPC）是国之重器,HPC相关技术是国家发展的战略性制高点技术和核心竞争力,涉及硬件、基础软件、应用软件等多个领域。作为执行复杂计算的基础,HPC通过数据计算推动数据科学和工业社会发展。然而,现有的HPC人才数量难以支撑迅猛增长的应用需求。同时,HPC强调实践性,要求很高的互动性,HPC学习者需要优质的学习途径和方法来完成学习活动,保证所学HPC知识与领域知识融会贯通,提高自身的HPC专业能力。再者,HPC横跨多个学科和领域,不但专业性强而且复杂度高,传统的题库学习方式成本高昂。因此需要一种高效、低成本的方式去梳理HPC知识的学习脉络,评价HPC实践活动的实际效果。本文通过“AI+教育”的方式去构建HPC学科类和领域类知识图谱,通过图谱对HPC领域中的实体、概念、属性以及对象间的关系进行建模,用智能化的方式将散列各处的HPC内容汇集到知识图谱中,为学员提供一种个性化的知识点式学习途径和学习效果评估方法。对于HPC知识图谱构建任务,仍存在三个挑战:1)针对HPC实体抽取任务,大量的实体概念隐藏在非结构化数据中,涉及数据标注的提取方式耗时费力,且HPC涉及的领域和学科较多,需要在短时间内提取各领域和学科的关键知识点;2)针对HPC关系抽取任务,因图谱是面向HPC教育平台所构建,所以知识点间的关系需要精准且有学习关联意义,本文要求快速抽取出实体间的多重内在语义联系;3)针对抽取出的知识数据,知识条目需与学科强相关,对于每个领域和课程的知识图谱构建,抽取出的实体对象和关系存在过溢、低权值、重要度不匹配的问题,图谱数据需要进一步优化。为解决上述挑战,本文的主要工作包括:1)提出一种针对特定领域下,融合迭代频率特征统计提取模型、语义特征提取模型的实体抽取框架。通过将基于“N-gram”的动态实体扩充策略与词向量语义特征相结合进行实体提取,利用这种联合语义特征的统计提取方法,能够快速地提取目标概念和部分关系信息;2)提出了一种多特征联合模板关系提取策略。设计共现频率提取方法,并将频率关系与近义关系结合作为粗粒度关系,然后通过基于Snowball的关系挖掘算法挖掘细粒度三元组关系,并与粗粒度关系整合后作为图谱关系基础,结合两者来共同反映HPC知识的关系特征;3)提出一种HPC知识图谱优化算法,包括HPC实体聚类设计、基于LDA的知识加权策略、基于图团体检测的知识裁剪策略。此外,本文设计了基于知识图谱的学科实践评估和学习资源推荐算法,实现个性化推荐和学习状态评估。最后,构建相关应用系统,将图谱数据进行java可视化控件移植。为了验证应用效果,采取人工抽样评估方式进行综合评测。