随着互联网技术与移动设备的快速普及,除了传统的“口口相传”的线下教育方式外,在线教育平台因其丰富的教学资源与灵活的学习时间逐渐吸引了广泛的关注。研究者们致力于推动在线教育平台的发展,提出了智能教育系统的概念:智能教育系统能根据每个学生的具体情况及平台的教学资源为每位学生量身定制学习方案并提出学习建议。学生表现预测任务是智能教育系统中的基础任务之一。具体而言,该任务需要智能教育系统通过分析学生的历史答题表现,对学生能力进行建模,根据建模结果预测学生在未接触过试题上的表现,并据此来提供个性化的指导,如试题推荐等。目前主流的预测方法可以分为两类:第一种从教育心理学角度出发,通过建模学生对不同知识点的掌握程度来预测学生表现;第二种从数据挖掘角度出发,通过学习隐向量表征来预测学生表现。但是,这些方法都忽略了教育数据中的高阶图结构信息,事实上,教育领域中的答题数据自然地形成图结构,学生表现预测问题与图表示学习中的链接预测问题十分相似,用图学习的方式可以充分捕捉图结构中的协同信息,并利用历史答题数据更好地更新节点表征,但是当前工作还未能从图学习的角度出发思考问题,导致历史信息无法被充分挖掘和利用。因此本文希望充分利用图学习的优势来提高学生表现预测的效果,具体方法如下:第一种方法是基于图的试题与知识感知的学生表现预测方法。提出学生对各知识点的掌握程度和对具体试题的理解程度均会影响最终分数,因此需要对两方面能力分别建模。除此之外,该引入了多层神经网络来设计边感知的图卷积网络来解决多关系预测问题。但是实验发现该方法存在如下问题:1.模型过度依赖转换网络的效果,且转换网络的存在导致了信息丢失;2.模型的单一表征无法对答对答错两种历史数据进行区分,过于笼统。因此设计了改进后的第二种方法。第二种方法是基于异构图子图划分视角的学生表现预测方法。在第四章中将智能教育系统异构网络中的多关系预测问题看作是在多个同构图中进行单一类型的关系预测问题,从而在每个子图中消除了异构性,最后通过综合各子图的预测概率来得到最终预测结果。这么做既避免了由于转换网络带来的信息丢失,又能对学生的答对记录和答错记录进行区分。本文在两公开数据集上的实验表明了所提出模型的有效性,并证明了第二个模型在第一个模型的基础上进一步提升了预测效果。