随着互联网的广泛应用,在线教育也在蓬勃发展。在线教育因具有学习资源丰富、优质且实时更新,学习方式灵活、便捷且不受时空限制等特点,已逐步成为现代教育系统领域里不可或缺的一部分。目前,随着人工智能技术的突破,在线教育已经逐渐从传统的平台式资源教育转化至智能教育。个性化是智能教育系统的核心,而想要做到个性化教育,必须了解学生的实时知识水平。知识追踪是根据学习者的历史学习轨迹,对其整个学习的状态进行建模从而预测学习者未来表现的一种手段。通过知识追踪,可以实时掌握学生的学习情况,从而可以有针对地对其推荐相关练习,做到因材施教,提高学习效率。然而对于知识追踪,研究者大多将精力放在模型本身,而忽略了题目与题目之间的关系信息。基于此,本文提出了一种基于图嵌入的深度知识追踪模型,通过将题目视为节点,题目之间的关联视为边,对题目分别进行了基于统计信息相似性与语义相似性的图网络构建;之后,使用了两类具有代表性的图嵌入算法LINE及Node2vec对题目图网络进行图嵌入,生成包含题目与题目之间关系信息的低维稠密向量,并以此作为知识追踪模型的输入。在知识追踪模型上,我们基于传统的深度知识追踪模型,针对图嵌入向量的输入设置了嵌入层,使模型在学习过程中可以利用题目与题目之间的关联信息。在深度知识追踪模型的循环层中,我们分别使用了RNN的变体GRU与LSTM,并结合注意力机制控制模型对重要信息的学习能力。在模型的输出层,我们设立了特定的输出结构,借鉴了拉普拉斯特征映射的思想在模型的损失函数中加入了基于题目相似性矩阵的图损失项,从而进一步提高模型对题目之间关系的利用。通过在真实数据上的实验,证明了我们提出的基于图嵌入的深度知识追踪模型的合理性与有效性,并通过一系列模型改进对比实验,验证了我们改进方法的可行性,在最终的模型输出上,其AUC稳定的高于传统的深度知识追踪模型。