知识追踪旨在根据学习者的历史学习轨迹自动追踪学习者的未来学习作答表现,是实现智能教育的重要技术支撑。以智能导学系统为代表的在线教育在其实现中发挥着重要作用。智能导学系统通过知识追踪可以判断学习者的知识掌握水平,在获取学习者的表现后,无论是对学习者的自主学习或教师的辅助教学都会产生积极影响。因此,研究知识追踪模型有着重要意义。关于知识追踪方法,研究者们做了许多工作,并取得了大量的研究成果。早期的知识追踪方法主要基于隐马尔科夫模型和项目反应理论;后随深度学习的火热发展,基于循环神经网络、记忆网络、图神经网络的模型引起了研究者们的注意,但运用更多的是基于自注意力机制的模型。除了依赖习题回答正误信息进行网络建模的深度知识追踪外,将遗忘因素纳入模型也成为近几年研究热点之一。本研究工作主要分为两个部分,一部分是基于深度学习的知识追踪模型研究,另一部分是考虑了遗忘因素的知识追踪模型研究。具体研究内容如下:（1）提出了一种融合GRU（Gated Recurrent Unit）和注意力机制的知识追踪优化模型。针对现有基于注意力机制的知识追踪模型存在忽略序列顺序信息,模型组成结构单一、对序列信息提取不够充分等问题,提出了一种多特征融合的GACKT知识追踪模型。该模型由循环神经网络、带有位置编码的注意力机制以及因果卷积组成,先后将反应序列、练习序列和经过GRU神经网络的练习序列输入到注意力当中,在序列隐藏信息的提取、注意力权重的分配上有所改进。实验结果表明,该模型在三个公共数据集上,与基准模型相比,平均AUC值有8%的提升。（2）提出了一种基于自注意力Hawkes过程的知识追踪模型。针对现有的引入时间因素的知识追踪模型中只考虑了技能之间的静态关系而没有考虑动态关系的问题,本研究设计了一种自注意力机制Hawkes过程知识追踪模型。该模型利用自注意力机制来模拟学习者过去的练习影响,捕捉到了技能随时间变化的动态关系,很好的预测学习者未来的练习表现。在三个基准数据集上的大量实验表明,Self-attentive HawkesKT优于最先进的HawkesKT方法。此外,该模型对于研究技能之间内在联系也具备良好的解释性。