随着大数据互联网时代的到来,在线教育系统作为教育资源共享的平台、促进教育公平的工具逐渐得到关注。在线教育系统提供的高水平服务中,较为重要的是能实现个性化、智能化的智能教育;而知识追踪是智能教育系统的基础工作,提高知识追踪任务的完成性能与效率对提高教育系统智能程度有重要意义。过去的工作为更好解决知识追踪问题提出了多种方法,取得了一定的研究进展,但仍然存在一些问题:1、过去基于图神经网络的知识追踪模型难以发现表示知识概念的节点之间的关系,无法充分利用邻居节点信息;2、图神经网络方法计算复杂、资源占用高,但在知识追踪任务上减小模型规模方面的尝试却很少。基于以上不足,本文从图节点之间关系和剪枝算法两个方面进行研究,分别对上述两个问题的解答做出了尝试。具体而言:1、改良了知识追踪任务通用的数据预处理方法,通过应用互惠邻居关系和引入二阶邻居节点信息为基于图神经网络的知识追踪模型改良了节点信息传递的方式,提高了模型的性能表现;2、将彩票假说理论应用到基于图神经网络的知识追踪模型中,为模型提供了邻接矩阵掩模与神经网络掩模,在不损失模型性能的情况下减少了模型的参数量,验证了彩票网络在知识追踪领域的存在性与有效性。本文的实验使用了两个真实教育数据集和一个合成教育数据集,在它们上面与过去基于图神经网络的知识追踪方法进行对比,验证了应用互惠邻居概念与结合二阶邻居信息的图知识追踪方法在性能上的优越性;还在这些数据集上测试了基于彩票假说的剪枝方法,通过实验结果说明该方法能找到性能表现与原始模型相近的子网络,验证了该剪枝方法的有效性。