教育数据挖掘（Education Data Mining,EDM）是信息技术和教育学研究相结合的交叉科学研究,在线教育平台的发展为教育数据挖掘提供了大量真实的学习行为数据,激发了教育数据挖掘方法的进一步变革,进而促进教育技术的发展和教育的数字化转型。知识追踪（Knowledge Tracing,KT）是教育数据挖掘领域的一个重要任务,该任务分析学生的历史学习记录,挖掘学生在学习过程中的知识点掌握情况,并预测学生在未来能够正确回答后续题目的概率。一个优秀的知识追踪模型不仅能帮助学生随时了解自己的知识点掌握情况,还能够帮助老师因材施教,设计更加个性化的教学计划。传统知识追踪算法通常采用统计建模的方法,如贝叶斯推理和因子分析,这些模型在小规模数据集上取得了较好的结果。随着深度学习的蓬勃发展和教育大数据的爆发,一些研究者开始采用深度学习来构建知识追踪模型,包括循环神经网络,记忆增强神经网络和自注意力机制等方法。虽然这些知识追踪模型有出色表现,但是他们仍然存在两方面的问题,一是大部分模型没有考虑到学生在学习过程中的个体差异性;二是所有模型忽略了对学习曲线的显式建模。针对这些问题,本文从学生的个体差异和学习曲线理论出发,利用卷积神经网络作为模型架构,提出两种新的知识追踪算法。本文的主要贡献有以下三点:从学生在学习过程中的个体差异性出发,设计了一些适用于知识追踪任务的特征。本文考虑了不同学生的知识水平、学习能力、遗忘行为等与学习行为相关的因素,从学生的历史做题序列数据中抽取出4个相关特征,将其拼接后作为模型的输入。针对这4个特征进行了大量实验,实验结果表明了这些特征的有效性。设计了一个2D卷积网络（2D Conv Nets）模块,并在此基础上提出了一个基于2D卷积神经网络的知识追踪模型,即C2DKT。上面的特征被拼接为一个特征矩阵,模型利用2D卷积网络处理输入特征,其中,卷积模块包含4个基础块,其内部主要由卷积层和非线性变换组成,每一个基础块都由残差连接将输入和输出相加起来。卷积模块的输出特征经由一个全连接层转换维度,得到预测的知识状态向量。本文在五个广泛使用的公开数据集上进行大量实验,实验结果表明C2DKT模型在预测效果上优于主流的知识追踪模型,这证明了利用卷积操作解决知识追踪任务的可行性。从学习曲线理论出发,利用3D卷积改进卷积模块,并在此基础上提出一个用3D卷积网络模拟学习曲线的知识追踪模型,即CAKT。本模型在2D卷积模块的基础上,加入了3D卷积和时序压缩激活层,提出了一个3D卷积网络（3D Conv Nets）模块,并利用该网络从学生近期的重复练习中显式地捕获学习曲线相关特征,同时利用一个LSTM网络处理完整的历史做题记录,得到全局相关特征。随后本文提出了一个自适应融合模块,将两个特征通过门限机制融合起来,融合后的特征则被用来预测学生在每一时刻的知识状态向量。本文在五个广泛使用的公开数据集上进行大量实验,实验结果表明CAKT的整体表现优于所有的知识追踪模型,这也证明了显式建模学习曲线有利于提升知识追踪模型的预测效果。