近年来教育问题成为了全民关注的热点,在网络教育平台中,例如中国大学慕课、小猿辅导等在线教育平台,学习者可以不限制于空间和时间进行学习,并可以接触到更优质的教育资源。但是网络教育也存在一些问题,首先学习者需要拥有较好的自控能力,保证按照课程要求在规定时间内完成学习任务并高质量的回答课后习题。其次由于网络学习平台无法对学习者的学习状态进行实时的跟踪,所以导致在教学中缺乏个性化的教学推荐和疑惑解答。所以网络教育平台中学习者流失问题严重,为了解决上述问题,对学习者进行知识追踪是很有必要的。本文首先对知识追踪的研究背景及意义、国内外的相关研究进行了介绍,然后就知识追踪中主要用到的贝叶斯知识追踪模型(Bayesian knowledge tracing model,BKT)和深度知识追踪模型(Deep Knowledge Tracing,DKT)进行介绍。并对深度知识追踪模型所使用的深度学习技术进行了阐述,对递归神经网络(Recurrent Neural Network,RNN)和长短时记忆网络(Long Short Term Memory Network,LSTM)进行了概念的说明。最后介绍了本文如何对DKT模型进行改进:使用K-means算法对模型输入的学习者数据进行动态聚类,从而提取学习者数据中包含的差异信息,解决DKT忽略输入数据中学习者存在差异性的问题;其次,通过对模型的结构进行优化,引入Attention机制对模型学习过程中大量的历史数据进行选择,从而对DKT模型结构进行改进。通过实验对比发现改进模型的运行效果相比于比原有DKT模型的运行效果更好,此外根据实验结果也显示,对模型的输入数据进行聚类,从而分取更好的层次化差异信息对提升模型的效果更明显。但对模型的结构进行优化却可以减少模型拟合的时间。此外,本文发现结合模型优化和融入学习者差异信息的方法,不仅可以减少模型拟合时间还可以进一步提高模型的运行效果,与其他DKT算法相比模型的运行效果有所提升。