知识追踪是教育数据挖掘领域的一个重要研究方向,其任务是从学习者的历史学习轨迹信息中挖掘出潜在的学习规律,并对学习者的知识状态建立随时间变化的模型,然后对其未来的表现进行预测。通过知识追踪,在线平台可以实时掌握学习者的知识点掌握情况,并以此做出个性化的学习资源推荐。同时,对知识状态的进一步分析还可以构建出知识图谱,帮助平台制订更合理的教学计划。深度学习因其强大的特征提取能力而得到了许多研究者的重视,目前的知识追踪方法以基于深度学习的模型为主,尤其是循环神经网络。但长期依赖问题限制了循环神经网络的表现,同时,可解释性差、缺少学习特征也是深度知识追踪领域存在的主要问题,现有的模型主要针对这3个问题进行了改进。在改进的模型中,基于自注意力机制的模型（Transformer）具有很大的优势,它没有长期依赖问题,且注意力机制天然的具有更好的可解释性,但Transformer在知识追踪领域的应用较少,还存在一些问题限制其在知识追踪任务上的应用。首先,Transformer中使用的相对位置编码无法反映学习过程中的遗忘行为,而遗忘行为对学习有十分重要的影响。缺少遗忘行为的建模,模型的预测值就无法准确的反映学习者的知识状态。其次,现有的大部分模型仅使用了（题目,回答）形式的交互对作为输入,对数据集中提供的其他特征信息（如题目类型、答题时间、尝试次数等）没有很好的利用,这在一定程度上影响了模型的性能。针对上述2个问题,本文提出了一种基于时序增强和特征融合的自注意力机制知识追踪模型,具体的研究内容如下:（1）针对相对位置编码无法反映遗忘行为的问题,本文提出了一种时序增强算法。使用时间间隔信息代替相对位置编码,考虑到时间间隔可能存在交叉的情况,使用相邻题目间答题结束时间的差值来计算时间间隔。间隔信息被量化为随时间间隔增大而减小的遗忘因子,使用可以学习的超参数平衡遗忘因子的权重,结合自注意力机制的计算特性,使注意力值随时间间隔增大而减小,以对遗忘行为建模,且有更高的可解释性。在4个公开数据集的实验结果表明,此方法可以有效提高模型的性能,且在数据量增多时有更好的表现。（2）针对缺少学习特征的问题,本文提出了一种融合题目特征的交互嵌入方式。通过人工特征工程的方式,从数据集中提供的丰富学习信息中,手动提取出题目特征并向量化,然后将其添加到以知识点嵌入为基础的交互建模中。将本文提出的时序增强算法和特征融合算法应用于知识追踪任务,在4个公开数据集上的效果均优于4个开源的经典模型,且在部分数据集上有10%左右的性能提升。此外,额外的消融实验表明了两个算法在独立使用时,均能有效提高模型的表现。