自新冠疫情爆发之后,学生及教师们响应“停课不停学”的号召,均开始采用线上线下相结合的方式来进行教学,线上教学的重要程度显得愈发强烈。线上教学相比传统的教学方式有着一些明显的优点,如不受时间与空间的约束、教学资源可反复观看学习、可快速收集学习者学习数据等,但在在线教学的场景之中,教师却无法及时判断学习者的学习情况,从而动态调整自己的教学计划,实现因材施教与个性化教学的目标,但值得庆幸的是,随着人工智能领域的不断进步与发展,已经有一些深度学习领域的算法可以在一定程度上解决这些问题,知识追踪便是其中的一种。知识追踪任务通过分析学习者在一段时间内的交互序列,来追踪其隐藏知识状态的变化,从而分析其对于不同的知识技能的掌握程度,预测在未来学习中的表现情况,但目前的知识追踪模型大多存在一些问题:（1）现有的知识追踪模型大多只用到了学习者做题的交互序列来进行结果预测,却忽略了试题本身所具有的特征会对结果产生的影响。（2）现有的知识追踪模型大多忽略了学习者自身的能力特征,与个性化教学的目标相违背。（3）尽管一些知识追踪模型考虑到了试题的特征或学习者特征,但却很少有将所有因素综合考虑入内的,并且获取特征的方式也有待改进。针对以上几点,本文提出一种融合试题表征与学习者能力的知识追踪模型与方法（Knowledge Tracing Model And Method Integrating Exercise Representation and Learner’s Ability,ERLAKT）,本文的研究内容主要有以下几个方面:（1）提出一种融合试题表征与学习者能力的知识追踪模型。通过剖析学习者的学习作答过程,将过程中所产生的特征分为学习者自身的能力特征以及其所作答的试题特征两方面,针对不同的特征给出概念界定以及编码方式,并分模块对知识追踪模型中的不同组件进行了阐述。最后,将ERLAKT模型与其他知识追踪模型做出了对比,突出了其优越性。（2）提出一种基于异构图的试题表征方法。针对传统试题表征方法中常以线性方式建模而引起特征间的关联丢失问题,本文将试题的文本、难度以及相关的知识技能进行归一化的表示,然后将其作为异构图中的不同类型节点,通过图的不断聚合和更新来得到最终的试题表征,以便于嵌入到下游的知识追踪方法中进行预测。这种基于异构图得到试题表征的方法,能够更好获取试题不同特征间的关联关系,从而使得最终的表征结果更为精准,也通过消融实验来证明了该方法的有效性。（3）提出一种融合学习者能力的知识追踪方法。基于学习者在作答过程中自身能力与作答结果所呈现出的规律,结合教育测量模型Rasch模型来获得每个学习者的能力特征随着时间的变化情况,并将其嵌入到知识追踪方法之中,提高了预测的精准程度。针对于本文所提出的模型与方法,在基于本课题组自行收集的数据集以及公开数据集Junyi上进行了实验对比验证,实验结果表明:（1）融合试题表征与学习者能力的ERLAKT模型,效果对比其他基线模型会产生一定程度的提升。（2）基于异构图方法得到的试题表征嵌入后可大幅度提高模型的表现效果,且这种方式得到的表征融入后的表现效果优于其他得到表征的方式。（3）学习者自身的能力特征融入后会对模型产生效果上的提升,并且基于Rasch模型得到学习者能力的方法效果会更为精准。综上,融合试题表征与学习者能力的知识追踪模型与方法涉及教育测量与深度学习两个领域的内容,为知识追踪任务带来了改进,为个性化教学提供了依据。本研究在知识追踪任务中引入了多维特征,并以此为基础,进行了多种特征表征的方法研究,实习了学习者知识状态的精准跟踪,从而对未来表现进行准确预测,具有重要的理论和实践价值。