知识追踪（Knowledge Tracing,KT）的主要目的是对学生的学习过程进行建模,从而预测学生当前的知识掌握状态,为其推荐个性化的学习材料。然而由于现实中教育数据的稀疏性、学习交互的长序列问题以及人脑复杂的遗忘机制,给学习轨迹的建模过程带来了巨大的挑战。为了解决上述三个问题,本文基于图嵌入和注意力机制,提出了两种新的知识追踪模型:·基于图嵌入和LSTM的知识追踪模型该模型将问题和知识（也被成为技能）区分成两种不同的节点,基于R-GCN的嵌入传播学习节点间的高阶信息。利用LSTM对学生的知识状态进行建模,并结合注意力机制来弥补LSTM在捕捉长期依赖关系上的不足。对于习题间的注意力权重分数,在缩放点积公式计算其相似性的基础上,结合人脑的遗忘机制,添加时间距离以及学习者过去练习过的次数两种遗忘因子。·基于图嵌入和Transformer的知识追踪模型梯度消失以及长期依赖的问题是RNN中存在的主要弊端,虽然借助LSTM得到了一定程度的解决。但考虑到学习交互是一组足够长的序列,LSTM在模拟学生知识状态时仍然存在长期依赖的问题,因此采用Transformer对学生的历史学习情况进行建模。与其它基于Transformer的知识追踪模型不同的是,该模型将R-GCN学习得到的问题嵌入和知识嵌入进行拼接作为Transformer中编码器的输入,并结合学习者的遗忘机制,使得模型能够充分有效地学习不同习题间的关系。以上提出的两种模型都在公开的数据集上进行了实验,结果表明本文提出的两种基于图嵌入和注意力的KT模型的性能优于目前主流的KT模型,且具有更高的解释性。