随着互联网的兴起,越来越多的学习者选择通过在线教育平台进行学习。不同于传统的课堂教育由教师主导学习者的学习进程与学习活动,在线教育平台提倡因材施教,即根据学习者的知识水平为学习者提供个性化的教学内容与学习路线,然而学习者的知识掌握程度随学习进度不断变化,因此实时追踪学习者知识掌握程度变化尤为重要。知识追踪任务旨在根据学习者历史学习行为实时追踪学习者知识水平变化,并且预测学习者在未来学习表现。知识追踪可以为学习者知识水平进行建模,在个性化教学领域起到很重要的作用。现有关于知识追踪的研究工作基于学习者的答题历史,对学习者作答习题涵盖的知识点的知识掌握程度进行更新,建模了学习者的学习行为,但忽略了学习者的遗忘行为。在学习者学习过程中,学习行为与遗忘行为相互交织,学习者的遗忘行为对知识追踪影响很大,学习者的遗忘行为会导致学习者知识掌握程度的下降。为了准确建模知识追踪中学习与遗忘行为,本文提出了一个兼顾学习与遗忘行为的深度知识追踪模型LFKT。LFKT模型综合考虑了四个影响知识遗忘因素,包括学习者重复学习知识点的间隔时间、重复学习知识点的次数、顺序学习间隔时间以及学习者对于知识点的掌握程度。结合遗忘因素,LFKT采用深度神经网络,利用学习者答题结果作为知识追踪过程中知识掌握程度的间接反馈,建模融合学习与遗忘行为的知识追踪模型。通过在真实在线教育数据集上的实验,与当前知识追踪模型相比,LFKT可以更好地追踪学习者知识掌握状态,并具有较好的预测性能。现有的知识追踪的研究工作往往直接将试题的知识点嵌入作为试题的嵌入表示,忽略了试题的其他特征,具有一定的局限性。试题具有自身的个性信息,除此以外,试题之间还具有一定的共性信息,比如考察相同知识点的试题需要学习者掌握该知识点才可以答对习题,考察相同题型的试题需要学习者掌握该类题型的解题技巧。以往的研究仅仅将试题考察的知识点信息作为试题嵌入,忽略了试题与知识点,试题与题型之间丰富的高阶关系。据此,本文提出一个基于试题异质图的试题预训练模型,该模型基于试题异质图,图中包括试题节点、知识点节点与试题题型节点,以及试题-知识点关系、试题-题型关系。本文采用异质图表示学习方法分析试题异质图得到试题嵌入向量,该向量融合了试题的个性特征与试题间的共性特征。本文将该嵌入向量作为知识追踪的输入,作为学习者答题历史中的试题嵌入,提升了知识追踪模型的预测效果。本文第三章提出建模学生学习与遗忘行为的方法LFKT,本文第四章提出习题预训练模型HGAT-QE。将HGAT-QE预训练得到的习题嵌入向量作为LFKT的输入,解决了以往知识追踪模型无法建模学生遗忘行为与没有考虑习题个性的问题,可以更加精准的追踪学生对于各个知识点的掌握程度,并更准确的预测学生未来表现。