随着信息化时代的迅速发展,教育领域也逐渐的智能化,随之产生了众多的在线教育平台,例如:ASSISTments,ed X,慕课和智学网等。由于在线教育平台的普及,产生了大量的学习数据,研究人员希望通过在线教育平台产生的大量数据实现对每一个学生知识状态的跟踪并以此向学生提供个性化的学习指导。知识追踪方法可以有效的实现这一研究目标,关于知识追踪方法,研究人员已经做出了大量的研究,目前被广泛应用的有:贝叶斯知识追踪模型、矩阵分解模型、张量因子分解法、基于深度学习的知识追踪模型等。目前最有效的方法为基于深度学习的知识追踪模型,即深度知识追踪模型,其借助循环神经网络,利用长短期记忆模型追踪学生随着时间变化的知识掌握状态。深度知识追踪模型仅利用了在线辅导系统中学生练习记录的学生编号、题目编号和回答正误信息,但是仅仅依靠习题回答正误信息进行网络建模容易丢失重要信息并且没有实际理论上的可解释性,因此,本研究在深度知识追踪模型的基础上融合在线学习记录中蕴含的隐藏特征信息,以提高模型的性能和可解释性。本文取得的创新性成果如下:（1）提出了一种基于知识点文本的深度知识追踪模型。该模型利用每个题目中少量的概念信息,提取各个题目之间的相似性,计算每个学生练习序列的注意力向量,与长短期记忆模型相结合,改进深度知识追踪模型,提升预测学生学习成绩的能力。实验结果表明,该方法在AUC和ACC方面都有一定的提高。（2）提出了一种基于多特征注意力机制的深度知识追踪模型。该模型根据在线辅导系统中学生练习记录,提取其中蕴含的多个隐藏特征,例如:根据每个学生某时刻练习的题目编号和顺序编号,计算此时刻之前已练习该题的次数和正确率,以及上一次练习该题目的顺序编号得出两题之间的顺序间隔,将这三个特征融合后得到的注意力向量与深度知识追踪模型结合。实验结果表明,基于多特征融合的注意力机制相较单一特征在AUC和ACC方面都有了进一步的提高。本研究在一定程度上提高了深度知识追踪模型的性能,为在线辅导系统向学生提供个性化辅导和推荐学习资源提供了技术支持。