知识追踪是教育数据挖掘领域中一个重要的任务,其主要内容是根据学生的历史做题序列对学生的知识点掌握情况进行建模,从而预测学生的学习表现。在智能辅导系统中,一个非常重要的任务是了解学生的知识点掌握情况,只有了解每个学生的具体情况后才使得针对性、个性化的辅导成为可能。智能辅导系统通过知识追踪可以获取学生的当前表现,随后可通过个性化习题推荐等功能来提高学生的学习表现,因此研究知识追踪任务具有重要的意义。知识追踪任务自从被提出以来即受到了学术界和工业界的广泛关注,许多研究方法都先后被提出,包括经典的贝叶斯方法以及基于深度学习的方法。基于深度学习的知识追踪方法一经提出即大幅超越贝叶斯方法,成为现有研究的热点。然而,大多数现有的基于深度学习的知识追踪方法依然存在着建模能力较为薄弱的问题,例如基于卷积神经网络的知识追踪方法可以对局部特征进行良好的建模,然而长期依赖的建模能力则仍然需要提高;而基于循环神经网络的知识追踪方法有着优秀的对习题序列进行长期依赖关系建模能力,但是局部特征建模能力较弱的问题则需要解决。针对上述模型存在的问题,本文进行了细致的研究,提出了两种基于深度学习的知识追踪方法:（1）针对卷积神经网络和递归神经网络两个模型的建模能力存在薄弱点,考虑到卷积神经网络的局部建模能力和循环神经网络长期建模能力,提出一种基于卷积神经网络和循环神经网络的知识追踪方法。该方法结合了卷积神经网络对局部特征建模的优势以及循环神经网络的优秀长期序列建模的性能。模型以学生历史做题序列为原始数据,对序列数据进行预处理,作为模型的输入。首先卷积神经网络对预处理数据进行建模,将卷积神经网络的输出作为接下来循环神经网络的输入,进行长序列的建模,最后经过线性降维操作输出预测结果。模型在两个公开数据集上进行了大量实验,结果表明,本文提出的这一模型在三个经典指标上均优于先前提出的最佳知识追踪模型,从而证明了本方法的有效性;（2）针对卷积神经网络的长期建模能力较为薄弱的问题,考虑到由于注意力机制同样具有良好的长序列建模能力,本文提出了基于注意力机制增强的卷积神经网络知识追踪方法,该方法将注意力机制添加在卷积神经网络的输出之后,对卷积神经网络的输出结果进行有效选择,最后经过线性降维操作输出模型预测结果。在注意力机制算法的选择上,本文使用了加性模型作为最终的实现。在公开数据集上的大量实验表明,注意力机制增强了模型的预测能力,提升了模型性能,并且训练时间较先前方法有所缩短。这一方法与其他先前提出的基于深度学习的知识追踪方法相比均有较好的提升,因而验证了本文方法的可行性。