近年来,随着网络和信息技术的飞速发展,在线教育得到了快速普及,如今的在线教育行业正在从数字时代、移动时代向以人工智能、教育大数据挖掘为基础的智慧教育过渡。智能教育系统中包含了数以百万计的学生,每个学生的兴趣爱好、个人潜质和学习能力都是有差别的。智慧教育旨在为学生提供更多的个性化学习指导,针对学生的薄弱知识点进行科学性和有效性的分析,为学生制定自适应的学习方案。因此,如何利用数据挖掘相关技术对学生的学习过程进行建模,准确掌握学生的学习状态是一个非常重要的课题。知识追踪是模拟学生知识状态的关键技术,也是增强个性化教育能力的重点研究领域之一。作为学生个性化建模的基石,知识追踪在长期的研究积累中取得了一些不错的成果。但由于在线教育的特殊性,知识追踪仍然面临许多挑战。智能教育系统包含非常庞大的资源数据,如何在海量数据中找到起决定性的数据是一个很大的难题。在线教育允许用户在任何设备、任何时间和任何地点进行学习,因此学习数据往往是稀疏的。此外,许多现有的知识追踪模型没有合理利用题目的文本特征。最近,注意力机制广泛应用于神经机器翻译领域,并且取得了不错的表现。注意力机制的主要思想是模拟人的选择性视觉机制,进而从海量的信息中挑选出对当前任务更为关键的信息,这为智慧教育中的知识追踪提供了新的思路。本文基于注意力机制的方法,在长短时记忆网络和动态键值记忆网络的基础上,改进知识追踪模型。本文的主要研究工作如下:（1）在现有的知识追踪模型中,题目的属性信息经常被忽略,只是作为一种隐性条件。本文针对题目中包含的属性信息,提出了一种基于异构信息网络的题目建模方法。其次,设计了一种基于题目元路径的异构网络嵌入方法,将题目的属性关系通过图的表示映射到向量空间中,有效缓解了学生学习数据稀疏性的问题。（2）根据题目的属性特征,结合长短时记忆网络提出了基于异构信息网络嵌入和注意力机制的知识追踪模型。利用注意力机制捕捉学生历史答题序列和当前题目之间的关系,通过计算历史序列中每个问题和当前问题的相关程度,强化了历史序列中和当前状态最相关的问题,以此提高知识追踪的效果。为了验证所提模型的有效性,本文在多个数据集上进行了实验,结果表明该模型优于多个对比方法。（3）提出了一种基于题目增强的动态键值记忆网络知识追踪模型。传统的知识追踪模型使用特定的编号代表题目,忽略了题目文本中包含的丰富语义信息。针对学习资源表征困难问题,本文提出了基于语义理解的练习题表征方法。首先,使用BERT模型获取题目文本中每个词的向量表示。其次,为了在编码过程中不丢失词语之间的语义联系,引入一个双向自注意力机制对词向量进行编码整合,得到整个题目的句子级别特征。最后,我们使用了一个动态键值记忆网络模拟学生的学习过程,帮助追踪学生的学习状态。在真实数据集上的实验结果验证了该方法的有效性。综上所述,本文在注意力机制的基础上,结合深度学习相关算法对知识追踪问题进行研究。通过大量的实验表明,本文提出的算法能够更准确地模拟出学生的认知水平,并能对未来的做题结果进行预测。