随着在线教育行业的发展和科学技术的突破,在线教育的目标逐步从线上化教育转变为智能化教育,致力于打造个性化的智能教学平台。在线教育平台不仅提供了丰富优质的课程体系和灵活便捷的学习方式,还保留了大量的学生学习轨迹。如果能够科学合理地从中提取有效的信息,将为个性化教学提供有力的帮助。知识追踪可以借助数据分析和人工智能技术,对在线教育平台海量的用户行为数据建模,追踪学生知识掌握水平的变化规律,从而更加精准的因材施教,提升学生的学习效率,是教育数据挖掘领域的重点研究课题。基于深度学习的深度知识追踪是目前的研究热点,多使用循环神经网络对学生的历史学习轨迹建模,但是其普遍存在可解释性不足和长序列依赖问题。许多研究者在此基础上进行改进,然而大多仍无法摆脱循环神经网络自身的结构缺陷。基于此,针对深度知识追踪存在的长序列依赖问题,提出基于时间卷积的知识追踪模型TCKT。时间卷积网络使用扩张卷积和深层网络结构,可以有效利用长时间之前的学生交互信息。针对可解释性较差的问题,提出基于注意力机制的时间卷积知识追踪模型ATCKT。首先提出一种多特征融合的题目嵌入生成方式,生成包含题目-知识点关系和题目难度的题目嵌入向量,携带了更丰富的语义信息;接着,考虑到学生对于相似的题目容易做出相同的答题结果,使用基于题目的注意力机制,识别并强化学生的历史相关表现,丰富了学生特征,增强了可解释性。最后,使用时间卷积网络提取学生动态变化的知识状态,并预测未来表现。本文在三个广泛使用的知识追踪数据集上与四种具有代表性的知识追踪模型进行了对比实验,验证了 TCKT模型的有效性和高效性。并通过综合分析和可视化的方式,验证了 ATCKT模型的可解释性和准确性。