近年来,在教育信息化、远程教育和web2.0等应用带动下,在线教育得到快速发展。当前的在线教育并不是完全以用户为中心,并不能根据用户的认知水平和认知风格,为每个用户提供最适合的优质教育资源,进行个性化指导,从而做到因材施教。实现因材施教的前提是了解用户的认知水平。知识追踪模型(Knowledge Tracing,KT)根据用户的学习指标推断用户知识的事实标准,模拟在技能获取过程中用户不断变化的知识状态。现有的知识追踪模型在模拟学生知识获取过程存在特征考虑不全、效果不佳和易过拟合等问题。为更好建模学生学习,追踪学生知识获取过程,本文提出了基于贝叶斯神经网络的深度知识追踪方法。本文主要是探讨不同的贝叶斯神经网络在深度知识追踪上的运用,研究工作如下:(1)为避免因样本数据形成的模型过拟合现象和少量噪声数据对模型的影响,将贝叶斯方法和LSTM相结合,让模型置信区间的计算成为可能,增强模型泛化能力和抗噪能力,提出了基于贝叶斯-LSTM的深度知识追踪方法。通过实验验证贝叶斯神经网络在知识追踪上的有效性。在模型中引入学生行为向量学习,挖掘学生答题行为间及知识点间关系。(2)针对LSTM结构不能并行计算的问题和处理时序数据长依赖关系和局部特征关系中的缺陷,提出用CNN-Attention结构替换LSTM。将贝叶斯方法与CNN-Attention结合,提出了基于贝叶斯-CNN-Attention的深度知识追踪方法,从预测效果和计算速度上改进模型。(3)针对CNN-Attention结构对序列数据相对位置关系的丢失问题和LSTM结构在处理数据长依赖的不足,提出用LSTM-Attention结构替换CNN-Attention。将贝叶斯方法与LSTM-Attention结合,提出了基于贝叶斯-LSTM-Attention的深度知识追踪方法,进一步提升模型的拟合能力和长依赖特征学习的能力。