随着互联网技术的发展,国民经济、信息化水平的提高,在线教育服务行业也保持着高速增长的发展态势。用户对在线教育也提出了新的需要,在线教育正朝着个性化的方向发展。知识追踪模型是使用人工智能方法实现在线教育个性化的有效手段之一,它能够对学生学习状况进行准确诊断,并根据不同学生的特点进行个性化导学,为教师与学生带来便利,有效地提升在线教育的效率。然而目前的知识追踪模型,仍然存在一些问题:（1）模型预测结果不够准确。现有的知识追踪模型对学生知识状态的预测不够准确,模型未充分利用学生数据,或仅使用了少量的学生特征数据,导致模型性能不佳,无法准确地对学生下一次学习表现进行预测;（2）模型存在多技能处理问题。基于深度学习的知识追踪模型通常将多技能问题作为一个新技能处理,需要对数据进行预处理;（3）算力资源、时间与性能间的矛盾。基于深度学习构建的知识追踪模型虽然能够获得较好的性能表现,但是需要GPU资源和更多的训练时间。非深度学习类模型的训练虽然不需要GPU条件,但是性能表现往往较差。针对上述问题,本文分别基于双向长短时记忆网络（Bi-LSTM）、AutoInt算法与XGBoost算法设计实现了三种知识追踪模型。论文主要工作如下:（1）提升模型性能:将Bi-LSTM网络、AutoInt算法、XGBoost算法分别应用于知识追踪模型,提升了模型预测的准确性。本文基于Bi-LSTM网络搭建了知识追踪模型,模型将顺序与反序的学生数据应用于知识追踪模型中。模型经过四个不同数据集的验证,其性能超过了目前大部分的知识追踪模型。将AutoInt算法应用于知识追踪模型,该模型将学生特征中高阶的交互信息用于预测,提升了模型预测准确率。将XGBoost算法应用于知识追踪模型,该模型通过增加特征,提升了模型预测性能,且相较于基于深度学习搭建的模型,该模型不用大的算力就能取得较好的性能。（2）解决模型多技能的处理问题:论文将AutoInt算法、XGBoost算法应用于知识追踪任务中,解决了知识追踪模型多技能处理问题,以往的深度知识追踪模型将多技能的问题看成一个新问题,需要对数据进行预处理。论文实现的基于AutoInt算法、XGBoost算法的两种知识追踪模型,将问题,知识点的信息加入到训练过程,有效地处理了知识追踪模型中的多技能问题。（3）模型性能研究:本文进一步研究分析了基于深度学习的知识追踪模型的性能,一方面通过改变训练集占数据集的比例,分别使用了70%、50%、20%比例的训练集进行实验,发现模型在小规模数据集中也能够取得较好结果;另一方面通过改变数据集中正反样本数量,发现数据集中的1与0的比例不会对模型性能造成显著的影响。