王文涛，马慧芳，舒跃育，贺相春

(1.西北师范大学计算机科学与工程学院，甘肃 兰州 730070;2.西北师范大学心理学院，甘肃 兰州 730070;3.西北师范大学教育技术学院，甘肃 兰州 730070)

1 引言

近年来，随着在线评测OJ(Online Judge)系统[1]和大规模在线开放课程MOOC(Massive Open Online Course)[2]等平台的日益普及，越来越多的学生能够实现在线自主学习。然而在线教育系统在带来便利的同时，其提供的海量学习资源往往使得学生在进行自主学习时面临诸多困难，例如学生如何在众多学习资源中选择最适合自身情况的资源，在线教育平台如何为学生推荐一套个性化的学习资源等。随着教育数据挖掘技术的迅猛发展，已有大量的致力于知识追踪方法的研究工作。尽管这些方法取得了一定的效果，但其大多将知识点视为一个独立的实体进行建模，并且对于利用影响学生学习过程的复杂学习因素对知识点进行上下文表示的研究还不够充分[3]。

传统知识追踪方法主要基于概率模型对学生与习题之间的交互关系进行建模，其中基于隐马尔可夫模型的贝叶斯知识追踪BKT(Bayesian Knowledge Tracing)方法[4]是最具代表性的知识追踪方法之一，该方法构建了学生认知状态的动态变化过程，以监测和估计学生掌握知识点的概率。然而，这类方法使用的交互函数高度依赖于领域专家的人工设计，且忽略了学生的认知遗忘因素，即认为学生一旦掌握某个知识点后就不再遗忘。由于人类的知识及大脑具有天然复杂性，使用复杂的网络结构来设计知识追踪方法应该更为合适，然而大多数现有方法的设计仍然是基于具有严格约束函数的一阶隐马尔可夫模型。……