随着科技的快速进步和教育信息化的推进,在线学习已经成为了当下的主流学习方式之一。然而,现阶段学生的线上学习效果远低于线下,要想提高学生的线上学习效果,就需要实现对学生的个性化教学,根据每个学生自身的学习特点针对性的进行辅导,制定适合其自身的学习方案。所以,如何根据学生的历史学习记录科学的分析评估学生对知识概念的掌握程度,从而得到学生详细的知识水平,成为了当下教育技术领域的研究热点。知识追踪（Knowledge Tracing,KT）可以根据学生的历史学习记录预测其未来的知识水平,从而得到学生对于知识概念的掌握情况,是实现个性化教育的核心问题之一。研究人员已经广泛地将知识追踪和机器学习的算法相结合,并取得了一定的成果。不过,因为学生在线学习行为的复杂性,知识追踪仍然面临着很多问题。学生的在线学习数据非常丰富且具有多维度的特征,现有的知识追踪方法在采集数据时过于片面,导致特征的稀疏性。而且,学生的知识水平是动态变化的过程,现有的许多知识追踪模型没有很好的利用时间因素,没有较好的体现出遗忘行为对学生知识水平的影响。针对上述问题,本文充分考虑学生多维学习特征间的潜在相关性并引入了时间间隔因素,基于图嵌入（Graph Embedding）和注意力机制（Attention Mechanism）等神经网络算法,提出了两种知识追踪模型。并设计实现了基于知识追踪的学习分析系统。本文的主要工作及创新点如下:（1）针对现有的知识追踪模型的特征稀疏性问题,本文提出了基于特征潜在相关性图嵌入（Feature Potential Correlation Graph Embedding,FPCGE）的知识追踪模型。首先,根据学生的学习行为特征数据使用Node2vec算法得到嵌入,然后,基于图卷积神经网络（Graph Convolutional Networks,GCN）得到不同特征对学生知识水平的重要性。最后,基于长短时记忆网络（Long-Short Term Memory,LSTM）预测学生表现。大量的实验结果表明,基于FPCGE的知识追踪模型可以有效地缓解特征稀疏性问题,提高知识追踪预测结果的精确度。（2）针对现有的知识追踪模型追踪到的学生对于知识概念的掌握程度精确度不够和无法很好地建模学生知识水平动态变化过程的问题。本文在FPCGE的基础上,引入时间间隔因素和注意力机制,提出了基于图嵌入和多层注意力网络的图-注意力知识追踪（Graph-Attention Knowledge Tracing,GAKT）模型。首先,基于FPCGE得到题目聚合嵌入,根据学生练习题目的时间间隔的值,基于独热编码（One-hot Encoding）得到时间嵌入,将两种嵌入拼接输入到多层注意力网络中。其次,构建了由专注题目特征的题目注意力网络和专注时间特征的时间注意力网络组成的多层注意力网络。最后,通过门控融合单元自适应的融合各注意力层之间的输出,预测学生表现。在多个数据集上的实验结果表明,该模型性能优于多个对比方法。（3）设计并实现了基于知识追踪的学习分析系统。基于知识追踪的结果对学生的知识概念掌握程度进行分析,将学生对于知识概念的掌握情况更直观、详细地展现出来,为老师向学生提供学习建议和制定个性化的学习方案起到一定的导向作用。