知识追踪是个性化学习系统的一个核心技术,其任务是根据学习者的历史学习记录来自动追踪其知识状态的变化过程,实现对学习者未来学习表现的准确预测。但当前知识追踪存在着对多知识点关联、异质信息建模不足的问题。建立跟踪学习者知识状态随时间变化的知识追踪模型,为下一步推荐个性化学习材料和学习路径提供依据并实现个性化学习,已成为当前的研究热点。本文挖掘异质信息之间复杂的关系,使用图表征方法得到含丰富辅助信息的问题表示,并应用在学习者知识状态建模和作答预测中,得到提升预测准确率的知识追踪方法。论文的主要工作包括两个方面:针对问题和多知识点关联建模不足问题,提出了基于BPR预训练表示的知识追踪模型（BPR for Pre-training Representation Knowledge Tracing,BPRKT）。首先,基于BPR算法分解表示问题和知识点关系的QK图,得到包含这些关系的向量表示;其次,将这些向量与学生交互记录一起输入知识状态变化层建模学生知识状态;最后,通过预测层输出对指定问题的预测作答结果。实验结果表明所提出的模型与对比模型相比有更好的预测效果。针对知识点问题与学生关系、问题难度建模不足问题,提出了基于多任务表示学习的知识追踪模型（Multi-Task Representation Learning Knowledge Tracing,MTRKT）。该模型在QK图的基础上,进一步抽取其中的“知识点-知识点”、“问题-问题”图结构,将三者作为QK图嵌入训练任务的目标;从学生和问题的交互记录中,构建表示问题和学生交互结果的图,并作为QS图嵌入训练任务的目标;同时,抽取问题的难度特征,并单独作为一个训练任务的目标;在多任务表示学习中使三个任务同时学习,并通过参数共享方式得到包含以上所有任务信息的向量;将这些向量与学生交互记录一起作为作答预测网络的输入,并输出预测结果。实验结果表明所提出的模型与对比模型相比有更好的预测效果。