近些年,在线教育平台的普及推动了自适应学习系统的研究,其中习题得分预测是自适应学习过程中最关键的模块之一。习题得分预测包含对习题特征、学生能力和交互函数的设计研究,大量的已有研究证明了基于知识追踪的习题得分预测的可行性,但同时也存在一些挑战:比如知识追踪难以捕捉多知识点习题上学生能力的变化、习题得分预测中缺乏对知识点结构信息的关注、基于认知诊断的交互函数大量依靠人工设计。针对以上三个挑战,本文从两方面的工作入手,尝试使用注意力机制、图神经网络的方法建模学生的学习过程,并结合知识点的结构信息生成习题特征,最终在基于神经认知诊断框架的匹配函数中预测习题得分。本文的主要工作包括:1.基于注意力知识追踪的习题得分预测为了关注学生的能力变化,我们将学生的能力特征分为长期特征和短期特征,使用注意力机制改进了基于长短期记忆网络的知识追踪模型——NAKTM,该模型使用LSTM捕捉到的学生短期特征和注意力机制捕捉到的长期特征,联合表示学生的综合能力。同时借助神经网络的池化操作,NAKTM模型尽可能多地使用习题涉及到的知识点生成习题特征。最后模型设计使用了双线性模型来匹配习题特征和学生能力特征,预测学生在下一时刻候选习题上的得分。2.基于图神经网络和知识结构的得分预测为了改进认知诊断模型的预测效果,本文提出了一个新的认知诊断框架——基于知识追踪增强的神经认知诊断框架,在该框架中知识追踪通过分析学生的答题过程,将学生能力在隐空间中用特征向量的形式表示出来,然后结合习题知识点结构信息输入到基于DNN模型的神经认知诊断函数中,最终输出预测结果。本文首先通过DKT模型进行试验,证明了框架的有效性,然后基于门控神经网络改进了知识追踪模型,提出了全新的GKT-CD模型。