随着互联网日渐发达,在线教育也越来越流行,而在线教育平台产生的海量学习数据,为教育研究者们探索如何更好地辅助学生的学习提供了数据基础。学生的学习行为模式,知识水平等潜在信息,正蕴含在这海量数据当中。知识追踪（Knowledge Tracing,KT）是近年来的研究热点,它是根据学生的历史答题数据,评估知识状态,预测未来表现,通常通过构建学生模型来完成。2015年,深度神经网络首次被使用在知识追踪当中,随后一众深度知识追踪模型被提出,应用于很多实际教学场景。如今我们进入了“万物互联”的时代,编程技能逐渐成为人们的必备技能之一,编程教育也趋向于低龄化,由此,针对编程教育的研究开始出现。编程知识追踪（Programming Knowledge Tracing,PKT）是深度知识追踪在学生编程学习这一特定教学情境下的应用。编程练习与其他课程练习不同的是:1)题目一般没有唯一标准答案,且同时考察多个知识点,学生可以结合所学知识编写程序进行开放式作答;2)学生作答的源代码中,包含其对于题目所考察知识点的掌握情况;3)学生可能需要在同一习题上进行多次尝试,不断修改与提交代码,才能通过该练习。针对编程学习行为的特殊性,本文提出了两个模型,主要贡献如下:1.考虑学生提交的源代码与题目知识点之间的关联关系以及题目的多知识点特性,提出基于代码-知识点交互的编程知识追踪模型PKT-ATTN。模型主结构使用LSTM网络,添加一个用注意力机制实现的代码-知识点交互模块,通过知识点特征从代码中搜索与之相对应的代码模式,探索学生如何在代码中综合应用题目所考察的知识点,以更好地更新学生知识状态,预测其后续答题表现。2.考虑学生在同一习题上多次尝试的代码迭代特征,提出融合3D卷积模块的编程知识追踪模型PKT-CNN。主结构同样使用LSTM,先将代码的抽象语法树表征为二维矩阵,将学生历史答题记录中在当前习题上最近几次提交的代码的表征矩阵进行堆叠,得到表示学生在该题上代码变化过程的三维张量,随后通过3D卷积模块挖掘代码迭代特征,辅助对学生后续答题表现的预测。本文提出的两个模型在经典的深度知识追踪模型DKT（Deep Knowledge Tracing）上添加了不同的代码特征融合模块。实验证明,这两个模块对于提升编程知识追踪模型的预测准确度具有较好的效果。尽管本文采用DKT作为基础模型,但是所提出的代码特征融合模块,可以很容易地被迁移到其他深度知识追踪模型中,使其适用于编程教育这一特定教学情境。