随着大数据和信息技术的蓬勃发展,数以百万计的学生加入智能教育系统中学习在线课程,如何实现个性化、智能化的教育平台,如何科学地、有针对性地对每一个学生的知识状态进行有效追踪,如何发现学生的知识断点和薄弱点,如何为学生量身定制个性化的学习路径,这是当前知识追踪领域的研究热点。虽然目前提出了很多知识追踪模型,但不能实现真正意义上的个性化教育平台,知识追踪领域面临的挑战如下:(1)当前现有的知识追踪模型都无法对一个以不同速度获取知识的学生进行动态建模,因为每个学生对于知识点的吸收速度都是不一样的。(2)在实际复杂的教育场景中,练习题可能连续出现好几次,当前的知识追踪模型没有考虑到这一因素。(3)平台上的练习题资源数量庞大,学生想在一定的时间内做完所有的练习题几乎是无法实现的,给学生推荐个性化的做题顺序是非常重要的。然而,到目前为止,所有的知识追踪模型都无法自动发现练习题之间的依赖关系,之前,练习题之间的依赖关系都是由专家进行关联的。为了解决当前知识追踪模型所面临的困难,本文的研究内容和主要贡献如下:(1)从学生获取知识点速度的角度出发,对当前最先进的知识追踪模型(动态键值记忆网络)进行改进,提出了基于掌握速度的知识追踪模型,该模型在计算删除向量和增加向量时,考虑了当前的记忆内容,并且使用分布式写入外部记忆矩阵。(2)在真实的数据集中,学生可能连续遇到重复的练习题,在没有遇到新的练习题时,模型没有必要在每个时间步长上进行读写操作。因为学生在做重复的练习题时,它们将被读取和写入相同的记忆片段。针对这一现象,利用层次化循环神经网络的思想对本文提出的第一模型进行改进,提出了基于长期依赖关系的知识追踪模型,该模型不但提高了预测效果而且还能够记忆学生的长期行为。(3)提出了独立读取长期依赖关系的知识追踪模型,该模型创造性的将每个练习题分别用两个相关权重来表示,一个权重用于读操作,另外一个用于写操作,让练习题读取和写入不同的记忆片段,这样就能自动发现练习题之间的依赖关系。最后,本文在四个真实的知识追踪数据集上评估了本文所提三个知识追踪模型的有效性和可行性。此外,展现了本文的模型是如何发现相似的练习题以及练习题之间的依赖关系,同时以端到端的方式对学生的表现进行预测,这是当前知识追踪模型无法做到的。