宗晓萍，陶泽泽

河北大学 电子信息工程学院，河北 保定 071002

随着互联网教育的不断发展，通过运用人工智能技术来促进教育己成为必然趋势。近年来，智能教育和在线教育平台越来越普及，学生可以在不同时刻进行学习，并且可以观看不同学校、老师开设的课程。然而，教育平台上的学生人数远远超过教师数量，老师不可能追踪每一个学生的知识状态并提供个性化的学习路径[1]。如何个性化每个学生的学习情况，如何让在线教育系统做到因材施教，这是当前智能教育领域中的重要研究课题[2]，也是未来教育发展的基本趋势。

知识追踪的特点是个性化和自动化[3]，其任务是根据学生与智能辅导系统的互动来自动追踪学生的知识状态随时间的变化过程，以便能够准确地预测学生对知识点的掌握情况以及学生下一次的表现。KT任务可以形式化为一个有监督的序列学习问题：即给定学生的历史交互序列，预测学生回答下一个练习题正确的概率。典型的知识追踪方法有：贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT）[4]和深度知识追踪（Deep Knowledge Tracing，DKT）[5]。最初的知识追踪是基于概率的贝叶斯知识追踪模型（BKT），本质上是隐马尔可夫模型（Hidden Markov Model，HMM）的一个特例，它把知识体系划分为多个知识点，学生对每个知识点的掌握情况看作隐含状态，之后根据学生的历史答题情况来更新隐含变量的概率分布。但BKT模型存在以下几个不足：首先需要对数据进行标注，其次每个知识点的概念是单独表示的，BKT无法捕捉不同概念之间的相关性且无法有效表示复杂的概念状态转换。……