随着人工智能技术和教育大数据的发展,在线教育平台已经成为实现现代教育改革的重要一环。在传统教育环境中,教师难以实时追踪每位学习者的学习历史并为其提供个性化指导。但是,通过利用在线教育平台采集的海量数据,并使用知识追踪模型对学习者的在线教育过程进行分析,可以评估和预测学习者的学习效果,从而为学习者提供多维度的反馈与指导。现阶段,知识追踪的研究工作主要集中于对学习者答题行为数据的挖掘和分析。学习者的答题行为数据呈现序列性,然而,现有的研究较少将学习者答题行为序列数据转化为图结构数据,以获取更全面的局部和全局特征。同时,常用的知识追踪模型仅利用学习者答题记录作为输入数据,未将学习者的个体属性特征纳入考虑范畴,导致知识追踪模型输入数据稀疏。因此,从学习者答题行为数据出发,设计出结合学习者个体属性特征的知识追踪模型是有必要的。针对以往研究工作中的不足,本文研究知识追踪模型中的两个主要问题:1、如何利用学习者答题行为序列来获取学习者个体属性中的学习内容偏好,并分析学习者答题行为序列与学习者学习内容偏好的关联性。2、如何在获取学习内容偏好的基础上,融合学习者的个体属性特征中的学习能力从而提升知识追踪模型的预测表现。针对以上两个问题,本文融合学习者答题行为特征进行知识追踪建模,主要工作如下:（1）在学习者学习内容偏好识别知识追踪研究中,从学习者答题行为层面增加建模维度,构建一个基于行为图的学习内容偏好识别知识追踪模型。首先,根据学习者答题行为序列构建学习者行为图,然后利用深度学习的方法挖掘学习者行为的潜在信息,并通过聚类算法得到学习者的学习内容偏好,最后将上述的学习内容偏好作为知识追踪模型的额外输入。（2）在学习者异构信息网络嵌入知识追踪研究中,融合学习者学习内容偏好和学习能力特征,设计了一个基于元路径的学习者异构信息网络知识追踪模型。首先,构建学习者异构信息网络,然后通过异构信息网络嵌入学习表示方法来获取学习者的潜在特征,得到学习者融合特征嵌入向量,最后将其作为知识追踪模型的额外输入。综上所述,本文设计了基于行为图的学习内容偏好识别知识追踪模型和基于元路径的学习者异构信息网络知识追踪模型,并且通过实验证明了所提出模型的有效性。