知识图谱已经在各行各业中得到了很好的应用,如法律、医疗、金融等领域。然而软件知识领域至今还没有相应的知识图谱得以建立,因此构建软件知识领域知识图谱显得十分重要。其次将软件知识图谱融入到软件领域个性化习题推荐中,可以增强推荐的科学性和可解释性。本文针对目前软件知识领域中的知识图谱构建及其相关技术问题展开了相关的研究,主要研究内容如下:对软件知识领域知识图谱的关键技术展开综述。由于目前关于领域知识图谱构建技术的相关综述较少,通过对大量国内外文献资料充分调研,本文对基于特定领域知识图谱的关键技术展开综述。首先概述了特定领域知识图谱数据的来源,以及通常数据的相应格式;其次介绍领域知识图谱构造的关键技术以及相关的算法模型;最后针对特定领域知识图谱的关键技术进行总结。对软件知识领域数据展开收集与标注。由于目前针对软件知识领域没有现有的数据集可以使用,本文先是通过爬虫相关技术从互联网获取相应的数据文本,然后通过数据处理相关技术,针对获取的数据集进行清洗,构造实体表,并对获取的数据文本进行特征标记,构造了软件知识领域的数据集。本文采用基于位置编码的多头注意力的Bi LSTM-CRF实体识别模型。本文通过对传统实体识别算法LSTM-CRF的研究,发现在编码的时候,引入位置编码与多头注意力机制会对实体识别的准确率有进一步的提高。通过引入位置编码和多头注意力机制,可以对要进行识别的软件知识实体实现更为精确的识别,并且通过多头注意力模型可以并行处理任意两个词之间的相互联系,而不仅仅是只能顺序提取,并且解决了传统循环神经网络的长距离依赖问题。通过实验证明了引入位置编码的多头注意力模型对实体识别的准确率有了进一步的提高。本文采用基于Bert的实体关系分类方法。本文为解决传统文本特征稀疏和上下文依赖性强的问题,使用增强语义关系的Bert-Bi GRU并结合多头注意力机制的增强语义网络模型。通过Bert模型实现文本语义的增强,将生成的向量作为训练文本的词表征进行语义增强,然后输入到Bi GRU中提取进一步提取上下文特征,然后通过多头注意力机制进行语义关系权值调整,最后通过softmax进行关系分类。实验表明,相较于其他的主流方法,本文提出来的增强语义网络模型在软件知识领域关系抽取效果上有显著提升。设计并实现了软件知识领域知识图谱的应用系统。基于上述的实体识别与关系抽取两个实验后,针对得到的实体关系三元组,进行部分关系修改。对最后的知识图谱进行可视化展示,并且设计了软件知识领域的习题推荐模块。本文针对软件知识领域知识图谱构建关键技术进行梳理,以及针对现行知识图谱构建技术的问题,以提高实体识别和关系抽取准确率为主要研究目标,以基于深度学习特定领域知识图谱构建关键技术为主要内容,通过研究深度学习在软件知识领域知识图谱构建的应用,实现了软件知识领域实体识别和关系抽取。并且针对现有在线教育题目推荐功能进行改进,增加了推荐的科学性,使推荐更具有实际意义,解决了部分现有领域知识图谱构建关键技术存在的问题,具有较高的应用价值和现实意义。