1.一种多学习行为协同的知识追踪方法，其特征在于，包括：获取嵌入表示的学习过程数据、学习结束数据和学习间隔数据，分别生成学习过程矩阵、学习结束矩阵和学习间隔矩阵；

获取预设位置编码并分别输入三个矩阵，基于多头注意力机制对具有位置信息的矩阵进行相似性运算获取注意力权重，分别输出学习过程行为、学习结束行为以及学习间隔行为的同类约束性矩阵，并获取三类所述同类约束性矩阵拼接得到的三维数组作为学习行为的同类约束性数组；

获取所述学习过程矩阵、所述学习结束矩阵和所述学习间隔矩阵拼接得到的三维数组作为通道注意力机制输入数组，获取通道注意力权重，计算得到学习行为的多类协同性数组；

融合所述同类约束性数组和所述多类协同性数组生成联合数组；

获取习题与知识概念的关联权重，基于所述联合数组生成学习向量和遗忘向量，对前一时刻的知识概念矩阵进行更新，获取当前时刻的知识概念状态矩阵；

基于前一时刻的知识概念状态矩阵预测学习者对当前时刻的习题的答题结果。

2.根据权利要求1所述的一种多学习行为协同的知识追踪方法，其特征在于，获取嵌入表示的学习过程数据、学习结束数据和学习间隔数据，分别生成学习过程矩阵、学习结束矩阵和学习间隔矩阵，包括：将学习过程数据 表示为行向量 与嵌入矩阵

相乘得到学习过程向量

将学习结束数据 转化为独热编码： 与嵌入矩阵

相乘得到学习结束向量

将学习间隔数据 表示为行向量 与嵌入矩阵

相乘得到学习间隔向量

取连续n条嵌入表示的学习过程向量、学习结束向量和学习间隔向量，分别组合得到三I II III个大小为n×dv的学习过程矩阵B 、学习结束矩阵B 、学习间隔矩阵B 作为多头注意力机制的输入；

其中，AN表示学习者作答的次数，RN表示学习者请求提示的次数；FA＝{0，1}表示学习者作答习题时的第一动作，1表示学习者首先作答，0表示学习者首先请求提示；qi表示学习者作答的题目，ri＝{0，1}表示学习者作答的结果，其中1表示学习者回答正确，0表示学习者回答错误；RT表示学习者学习当前概念的时间间隔，ST表示学习者第i‑1次学习和第i次学习之间的时间间隔，LT表示重复学习当前知识概念的次数；

n表示数组包含连续n条学习行为，dv是学习行为数据向量表示的维度。

3.根据权利要求2所述的一种多学习行为协同的知识追踪方法，其特征在于，获取学习行为的同类约束性数组包括：

1×n I II

获取参数v∈R 为所述预设位置编码，并分别输入学习过程矩阵B、学习结束矩阵B 、III学习间隔矩阵B ，获取含有位置信息的输入数据：

j* j

B (i)＝B(i)+v(i)，j∈{I，II，III}，i∈{1，…，n}；

I* II* III*

将矩阵B 、B 和B 分别输入多头注意力机制，计算学习行为间的相似性获得注意力权重，进行学习行为的同类约束性建模，输出学习过程行为的同类约束性矩阵 学习结束行为的同类约束性矩阵 以及学习间隔行为的同类约束性矩阵获取三类所述同类约束性矩阵拼接得到的三维数组作为学习行为的同类约束性数组

4.根据权利要求3所述的一种多学习行为协同的知识追踪方法，其特征在于，获取学习行为的多类协同性数组，包括：获取所述学习过程矩阵、所述学习结束矩阵和所述学习间隔矩阵拼接得到的大小为3×n×dv的三维数组Xt作为通道注意力机制输入数组；

进行学习行为的多类协同性建模，通过挤压操作获取学习过程数据、学习结束数据和学习间隔数据的全局信息，通过激励操作获取不同学习行为的注意力权重s：s＝Sigmoid(W·RC(Cov(Xt)))；

其中， 全连接层的权重矩阵为W，RC(·)表示逐行卷积，Cov(·)表示计算协方差矩阵；

将注意力权重s与数组Xt进行通道乘法，得到学习行为的多类协同性数组XC：XC＝sXt。

5.根据权利要求4所述的一种多学习行为协同的知识追踪方法，其特征在于，融合所述同类约束性数组和所述多类协同性数组生成联合数组，包括：将学习行为的同类约束性数组XR和表示学习行为的多类协同性数组XC进行拼接，拼接后数组的维度为6×n×dv，获取联合数组，联合数组经RC逐行卷积操作后得到矩阵XE：XE＝RC([XC，XR])。

6.根据权利要求5所述的一种多学习行为协同的知识追踪方法，其特征在于，对前一时刻的知识概念矩阵进行更新，获取当前时刻的知识概念状态矩阵，包括：将所述联合数组输入Tanh函数激活的全连接层获得解码向量基于多头注意力机制L，以当前时刻的学习结束向量 为查询输入，获取学习向量lt：基于多头注意力机制F，以当前时刻的学习间隔向量 为查询输入，获取遗忘向量ft：获取当前时刻t的习题集合与前一时刻的知识概念状态矩阵的关联权重wt，更新前一时刻的知识概念矩阵以获取当前时刻的知识概念状态矩阵：其中，

向量 为经过变换后的学习结束数据，向量 为处理后的学习间隔数据；

为对应全连接层的权重参数，bu为全连接层的偏置项参数。

7.根据权利要求6所述的一种多学习行为协同的知识追踪方法，其特征在于，基于前一时刻的知识概念状态矩阵预测学习者对当前时刻的习题的答题结果，包括：获取当前时刻的习题集合的向量qt并转换为独热编码，与一嵌入矩阵 相乘，获取维度为dk的习题嵌入向量kt；

将习题嵌入向量kt与前一时刻的知识概念矩阵 相乘，基于Softmax函数计算关联权重wt：将所述关联权重与前一时刻的所述知识概念状态矩阵 相乘，获得学习者对当前时刻的习题集合的掌握状态向量nt，用于表示学习者对习题qt所涵盖的所述知识概念的掌握状态：

8.根据权利要求7所述的一种多学习行为协同的知识追踪方法，其特征在于，基于前一时刻的知识概念状态矩阵预测学习者对当前时刻的习题的答题结果，进一步包括：将所述习题嵌入向量kt和所述掌握状态向量nt输入至带Tanh激活函数的全连接层进行拼接，获取包含学习者对知识概念掌握状态和对应习题信息的向量it：将所述向量it输入Sigmoid激活函数，预测学习者对习题qt的表现情况：其中， 为对应全连接层的权重参数，b2、b3为对应全连接层的偏置项参数。

9.一种多学习行为协同的知识追踪系统，其特征在于，包括：输入模块，用于获取嵌入表示的学习过程数据、学习结束数据和学习间隔数据，分别生成学习过程矩阵、学习结束矩阵和学习间隔矩阵；

编码模块，用于获取预设位置编码并分别输入三个矩阵，基于多头注意力机制对具有位置信息的矩阵进行相似性运算获取注意力权重，分别输出学习过程行为、学习结束行为以及学习间隔行为的同类约束性矩阵，并获取三类所述同类约束性矩阵拼接得到的三维数组作为学习行为的同类约束性数组；

所述编码模块还用于获取所述输入模块输出的所述学习过程矩阵、所述学习结束矩阵和所述学习间隔矩阵拼接得到的三维数组作为通道注意力机制输入数组，获取通道注意力权重，计算得到学习行为的多类协同性数组；并融合所述同类约束性数组和所述多类协同性数组生成联合数组；

解码模块，基于所述联合数组生成学习向量和遗忘向量，对前一时刻的知识概念矩阵进行更新，获取当前时刻的知识概念状态矩阵；

预测模块，用于获取习题与知识概念的关联权重，基于前一时刻的知识概念状态矩阵预测学习者对当前时刻的习题的答题结果。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述多学习行为协同的知识追踪方法的步骤。