知识追踪是一种通过学习者的历史学习行为实时有效地追踪学习者知识水平变化并预测学习者未来学习表现的方法。当今时代,通过大数据对学习者的知识水平进行评价的方法越来越流行,许多与此相关的知识追踪方法也涌现出来。早期国外学者基于递归神经网络深度建立知识追踪模型,利用递归神经网络应用于一系列基于时间的练习序列,以此估计学生对知识概念的掌握程度。研究发现通过在模型中融入知识点关系可以有效的提升模型性能,但是现有模型对于融入方式的探究仍存在许多空白。本文提出一种融合知识点关系的深度知识追踪模型,使用Transformer作为深度知识追踪的基准模型,通过Trans R等嵌入模型对知识点关系三元组进行打分后映射到一个向量空间中,有关联的知识点实体在此向量空间中将靠近,而没有关系的知识点实体将远离,本文将这个知识点关系作为一个输入维度与学习者答题数据组合,这样可以在学习者作答时候更新与该知识点相关的其他知识点掌握程度;然后,构建一个基于Transformer的深度知识追踪模型,将学习者答题数据和知识点关系向量进行位置编码并转换成向量数据送入编码层中,将不含有作答结果的向量数据送入解码层中;最后,链接线性层进行输出学习者对于所有知识点的掌握情况的预测,以此作为模型的输出结果。本文对此模型进行建模,并使用现有优秀模型作为对比,并且探究了不同的嵌入模型对于知识点关系融入的可行性。深度学习领域,对模型嵌入三元组关系的方法有很多,这些方法都可以借鉴到知识追踪领域,通过不同的嵌入模型将知识点关系融入到知识追踪模型是我们研究的重点。所以本文基于Transformer深度知识追踪模型加以改进,并基于距离的翻译模型Trans R融合知识点之间的关系判断学习者知识掌握程度,实验采用多个公开数据集运行模型,并与其他的优秀模型作对比实验,得到了较为理想的结果,相比于传统DKT模型在AUC精度上较大提升。