数字化学习因其便捷,便于共享,学习形式新颖等特点,已经广泛应用于国内外教育领域的教学过程中。面向中学STEM学科,虚拟实验作为一项典型的数字化学习模式,有助于解决传统学习模式下学生实验能力薄弱的问题。目前,虚拟实验缺乏与学科知识的紧密结合,而结合了人工智能领域的相关研究成果的知识图谱,可以辅助教师与学生更好地通过虚拟实验完成学科知识的教学与学习,且在学生自主式实验学习过程中发挥着重要作用。本文的主要研究内容如下:（1）在知识抽取方面,分别通过优化特征提取来提高实体抽取与关系抽取的效果。通过统计词频建立学科领域词典以及指示词、关键词特征,并将指示词、关键词按照实体类型分类来提高实体抽取的召回率;基于不同关系下实体与句中关键成分距离的统计结果,将实体位置也作为实体关系抽取的一项特征。实验表明,面向中学实验学科领域,本文提出的特征提取方法可提高模型知识抽取的精度与召回率。（2）在知识图谱补全方面,提出了改进的负例三元组构造方法,以提高传统的Trans H模型的知识表示学习效果。在众包的实验教学资源构建基础上,首先提出了基于伯努利抽样的候选实体采样方法,以计算实体不同替换范围的概率;然后评估负例三元组的质量,以缓解模型训练时的零损失问题。实验表明,面向学科知识图谱,本文提出的负样本构造方法在链接预测任务上效果优于其他知识表示学习模型。（3）在基于知识图谱的推荐方面,采用了基于知识图谱路径的推荐方法,并提出了路径提取方法以及路径权重的计算方法,分别在验证性与探究性实验场景中为学生推荐学科知识。根据实验关联知识点与学生实验评价来抽取路径,并将路径输入长短期记忆网络挖掘路径语义信息。在验证性实验场景中,采用Softmax函数计算学生对实验关联知识点的需求程度,作为路径的权重;在探究式实验中进行动态地知识推荐。实验结果表明,面向基于学科知识图谱的个性化知识推荐,本文提出的方法可以提高推荐模型的nDCG指标。