随着教育信息化的不断发展,各类在线教育平台应运而生。受新冠肺炎疫情影响,积极响应国家“停课不停学”的号召,在线教育平台根据学生的答题信息积累了大量的数据资源。如何利用数据挖掘等相关技术,建模学生在学习过程中产生的数据资源,挖掘其潜在信息为学生提供个性化的学习方案成为教育数据挖掘领域的重要研究课题。知识追踪作为教育数据挖掘领域中的主流方式,可以通过学生的学习记录来实时追踪学生对知识概念的掌握程度,从而预测学生未来的答题情况,提高学生的学习效率。目前知识追踪领域中的主流模型均围绕学生的学习记录进行建模,忽略了学生数据信息之间的关系以及知识概念文本信息。针对上述问题,本文提出了两种基于图注意力网络实现知识追踪任务的模型,从试题的知识点文本入手,充分利用已有数据中的相关信息,将知识点视为节点,知识点之间的关系视为边,深度挖掘知识点文本之间的潜在联系,并将注意力机制模块与文本相似性进行结合,优化了注意力系数的计算方式,使图中节点的信息能够在更加相似的节点间进行传播,挖掘更具有联系性的知识点关系。本文的主要研究内容如下:（1）针对已有模型忽略数据集中知识点文本信息造成的预测不够准确问题,提出了一种融入文本信息的图注意力知识追踪模型。首先,利用word2vec将知识点文本信息进行了量化处理,将量化后的知识点特征与已有模型进行结合,为每一个知识点提供一个临时状态去存储学生对该知识点的掌握水平,其次,通过模型的训练获取到最终的知识掌握状态以及知识点概念之间的关系图。实验结果表明,该模型能够更有效的预测学生在未来时刻的答题效果,模型在训练过程中产生的信息也可以准确表达知识点与知识点之间的联系。（2）为了解决研究内容一中不同知识点对知识状态的影响程度不同的问题,提出了一种基于文本相似性的图注意力知识追踪模型。首先,计算了量化后的文本信息之间的余弦相似度矩阵。其次,将该矩阵与注意力模块进行了结合,优化了注意力系数的计算方式,使得知识点之间的特征信息能够在更加相似的节点间进行传播。最后,对模型的训练和预测任务结果表明,该模型有效提高了预测结果,能够有效的挖掘到知识点与知识点之间的潜在联系。在公开的数据集ASSISTments上的实验结果表明,本文提出的两种知识追踪模型具有可行性和合理性,能够有效的提升模型的预测效果与可解释性。此外,本研究能够更加有效的掌握学生学习状态,挖掘知识点之间的潜在联系,评估学生知识状态的迁移能力。