在计算机技术广泛运用和人工智能快速发展的新时代下,越来越多的人开始学习编程。面对大量编程学习者,教育者如何实时跟踪学习者的知识掌握情况,成为亟待解决的关键问题。知识追踪是解决此类问题的有效手段之一,已经成为人工智能+教育领域的研究热点。但现有知识追踪方法普遍存在习题表示缺乏结构化、信息单薄,以及学习者答题预测准确度偏低的问题。本文以编程知识图谱和学习者答题过程为核心,优化习题表示方式和学习者知识状态的建模方法,从而提高学习者答题表现预测的准确度。传统习题表示方法通常采用简单直接的独热编码或多热编码实现,然而,这种习题表示方法的信息容量是有限的,并且认为知识点之间相互独立,忽略了知识点之间明显的前驱后继关系。为了解决该问题,以权威教学资源为理论支撑,自顶向下地构建了编程知识图谱（PKG）,使知识点及其之间的前驱后继关系形成一张拓扑图。接着,提出了基于RotatE的类型感知知识图谱嵌入模型RotatE-TA,该模型采用以RotatE为主体结构的知识图谱嵌入模型,并感知类型信息,使嵌入向量在语义上更加平滑,从而获得信息更丰富的习题表示。现有知识追踪方法通常专注于学习者的答题结果,而忽略了学习者在作答特定习题和答题序列中的过程信息,这些信息包含了学习者的个性化学习信息,由于这些信息的缺失,导致对学习者未来答题表现的预测准确度偏低。为了解决这一问题,本文提出了过程增强的编程知识追踪模型PE-KT。首先,运用VAE对某一习题的连续多次答题过程建模,增强学习状态的个性化信息;接着,运用LSTM网络、注意力机制和门控机制对答题序列过程建模,增强重要习题对学习者的帮助,最后根据最终的知识状态预测学习者未来答题表现。相较于传统知识追踪方法,PE-KT模型增强了学习者答题过程信息,从而使知识状态的建模更加精准。为全面评估本文提出的模型,进行了以下实验:首先,在NELL和PKG知识图谱数据集上进行了知识图谱嵌入实验,实验结果表明,RotatE-TA在MRR、HITS@N指标上都有明显提升,并且分析了RotatE-TA模型的参数敏感性和嵌入向量的语义平滑性;接着,在源于洛谷和Code Forces两个平台的真实数据集上完成知识追踪实验,实验结果表明,PE-KT在洛谷数据集上的AUC指标达到了85%,在CodeForces数据集上也达到了77%,此外,进行消融分析等实验验证了PE-KT模型的有效性与合理性。综上所述,根据本文研究的两个问题,对应提出RotatE-TA和PE-KT模型,并且通过实验与分析证明了两个模型的有效性。