在线学习系统提倡因材施教,能够根据学生的知识掌握情况为其提供个性化的学习内容和学习路径。然而面对海量的试题资源,学生很容易陷入“信息迷航”的困境。因此,如何为学生推荐合适的试题是智慧教育领域亟待解决的关键难点。知识追踪能建模学生随时间不断变化的知识状态,预测学生在未来试题上的表现,为试题推荐提供决策依据。为此,本文基于深度学习提出了两种知识追踪模型用于试题推荐,一种为输入仅包含知识点信息的试题序列数据,经过后续的处理来挖掘其包含的潜在信息,即从数据挖掘角度改进的深度演化知识追踪模型;另一种为将额外的信息融合到试题序列数据中,增强数据的表征能力,即从信息嵌入角度改进的多层图卷积知识追踪模型,具体如下:1.大多数模型没有专门建模试题序列数据背后的潜在知识掌握情况,也忽略了试题相对顺序对知识状态的影响。为此提出了一种深度演化知识追踪模型,通过感知学生知识水平变化,推断学生的知识状态及演化规律,从而实现个性化的试题推荐。首先,为了准确追踪试题序列中知识状态情况,引入辅助损失来设计知识提取层,从而对各个时刻知识提取过程实时监督;然后,针对学生知识多样性的特点,引入多头自注意力机制来设计知识演化层,从而感知与目标试题相关的知识演化过程;最后,将学生回答试题是否正确的预测作为推荐的主要依据,建立知识状态随时间演化的模型,从而使学生获得个性化试题推荐。2.试题序列数据中仅包含知识点的信息,忽略了学生和试题的其他属性,也缺乏对试题序列信息进行专门的嵌入。为此提出了一种多层图卷积知识追踪模型,通过图卷积神经网络充分挖掘试题异质信息网络中的异质属性信息和序列信息,推断学生的知识状态,从而实现个性化的试题推荐。首先,为了准确地学习试题嵌入,引入双层注意力机制捕获试题异质信息网络中的异质属性信息;然后,为了准确地学习学生嵌入,引入位置感知的自注意力机制来捕获学生随时间不断变化的动态知识状态,从而有效地嵌入试题序列信息;最后,预测层聚合学习到的学生和试题嵌入,将学生回答试题是否正确的预测作为推荐的主要依据,从而使学生获得个性化试题推荐。