由于互联网的广泛普及以及疫情的影响,在线教育成为学生主要的学习方式之一。在线教育平台不同于传统的课堂教学模式,学生们可以根据自身情况挑选课程内容进行学习。针对不同学生的学习需求,在海量的课程中选取适合学生的课程进行教学,教育平台需根据学生的自身能力为学生推荐合适的教育资源。由于学生会随着学习过程不断积累能力,所以实时追踪学生能力水平至关重要。认知诊断能够根据学生的历史学习记录,分析出学生在特定知识点上的知识水平,并对学生未来的学习成绩进行预测,是智慧教育系统的重要核心组成部分。当前认知诊断方法主要通过手工设计的函数（如Logistic函数）来模拟学生在学习过程中的线性互动过程,然而这不能捕捉学生在做题过程中表现出的复杂关系。随着深度神经网络的发展,基于深度神经网络的知识追踪模型以及神经认知诊断模型被提出。这些模型使用多维向量作为学生因素,并利用深度神经网路模拟学生因素与试题因素之间的互动函数。尽管这些方法各有优势,但同时又都有一些弊端。传统的认知诊断方法,具有较好的可解释性,但其互动函数过于简单,并且无法动态诊断,不符合学生知识点掌握度随练习的过程动态变化的特点。而知识追踪方法与认知诊断方法相比,可以进行动态诊断,且普遍具有较好的效果,但同时缺少如认知诊断方法中较好的可解释性。同时这些方法都关注于当前的试题,而忽略与过往试题之间的联系。针对这些上述问题,本文提出基于注意力机制的动态认知诊断（ACD）。主要工作内容如下:本文根据认知诊断中学生因素,试题因素,学生因素试题因素间互动函数,这三个主要组成部分将认知诊断过程划分为学生-试题因素嵌入层和学生-试题因素互动层两个层次。在学生-试题因素嵌入层次中,本文根据试题-知识点关联图使用图注意力网络提取试题与知识点之间的相关权重以及试题特征,并构建试题因素。同时使用记忆矩阵作为学生知识点掌握度,根据相关权重构建学生因素,实现动态更新学生知识点掌握度,并最终构成学生-试题因素互动特征向量。在学生-试题因素互动层次中,本文引入多头注意力机制,代替简单的全连接层,提取学生历史答题记录中的试题历史特征与互动历史特征,并利用这些历史特征,结合遗忘特性,模拟学生在答题时参考过去答题经验辅助作答当前试题的过程。最后在预测层中对学生的答题情况做出预测。为验证模型的有效性,本文分别在Junyi,Statics2011,ASSISTment2012三个数据集上进行消融实验和对比实验,并使用预测的ACC与AUC对模型的预测准确率进行评价。消融实验的结果表明,ACD中使用的图注意力网络和自注意力网络均能有效提升模型的性能;对比实验的结果表明,本文提出的ACD模型与其他对比模型相比,具有较好的预测准确度。