知识追踪（Knowledge Tracing）是用来评估学生对知识点掌握程度,从而预测学生对特定习题能否回答正确的人工智能与教育学领域相融合的一项技术。近年来,随着在线教育平台的不断增多,对于个性化学习的需求也越来越迫切。知识追踪可以追踪学习者的知识状态,并且学习路径推荐可以根据知识追踪的预测结果来对于学习者的学习过程进行个性化规划与推荐,以满足适应每个学习者的学习需求。尽管对于知识追踪和学习路径规划的研究受到了越来越多学者的关注,但仍旧存在以下的问题和挑战亟待解决:（1）在线教育平台题库中的问题由于高维性与稀疏性无法进行有效的特征表示,如果仅使用知识点特征又会造成信息丢失。（2）现有的知识追踪方法缺乏对学习者状态进行分析与表示的能力以及对于注意力机制的应用。（3）传统推荐方法更加考量学习者的兴趣,缺少对切实提升学习者的知识掌握水平与能力的考量。针对上述问题,本文对图嵌入、知识追踪、以及学习路径推荐等进行了深入研究,提出了一种基于图嵌入和双端注意力机制的知识追踪模型,并将其应用于学习路径推荐,具体的工作和贡献如下:首先,对于高维稀疏题目特征的表示问题,提出了一种新颖的图嵌入方法,基于加权无向图对题目之间的潜在关联性进行表示,并给出了一种基于加权随机游走与加权Skip-Gram的图嵌入方法,在对于高维稀疏题目特征进行嵌入表示的同时防止了信息丢失。其次,对于注意力机制在知识追踪模型中的应用,提出了一种基于双端注意力机制的知识追踪模型SQKT,在输入端与预测端分别添加学习者答题和所预测的题目分别与历史做题记录之间的注意力关系,并且使用了记忆增强矩阵来对学生的学习状态进行表示,不再受限于神经网络中的神经元与参数数量,提升了知识追踪模型的预测准确率。最后,对于学习路径推荐是否能切实提升学习者知识水平的问题,设计了一种基于知识追踪模型的学习路径推荐算法SQKT4Rec,通过阶段性学习与先决条件图对学习路径候选集进行筛选,使用图嵌入算法和知识追踪模型对问题特征进行嵌入并基于Item-CF对题目进行推荐,兼顾了学习者的知识水平提升。本文在4个真实数据集上对所提出的知识追踪模型SQKT与学习路径推荐算法SQKT4Rec进行了大量实验。通过对照实验、消融实验与模拟实验,验证了本文所提出的方法是有效且合理的。