1.融合习题和学习行为表征的顺序自注意力知识追踪模型，其特征是：包括嵌入模块、顺序自注意力模块、特征融合模块以及预测模块；嵌入模块连接顺序自注意力模块，顺序自注意力模块连接特征融合模块，特征融合模块连接预测模块；

关于嵌入模块，设置三个嵌入组件，分别是问题‑知识点嵌入组件QKE、历史表现嵌入组件HPE、遗忘行为嵌入组件FBE，三个嵌入组件提取的习题特征、学习行为特征作为知识追踪模型的嵌入接口，用于知识追踪模型的输入；具体为：通过问题‑知识点嵌入组件QKE的挖掘，得到习题特征 ；

通过历史表现嵌入组件HPE的挖掘，得到历史表现特征 ，通过遗忘行为嵌入组件FBE的挖掘，得到遗忘行为特征 ；

通过习题特征 、历史表现特征 、遗忘行为特征 得到嵌入模块的输出，嵌入模块的输出用综合表现向量 表示；

通过问题‑知识点嵌入组件QKE的挖掘，得到习题特征 ，见公式（1）、公式（2）和公式（3）；

；

；

；

式中，表示问题编码，表示知识点编码， 表示习题特征，e表示问题向量， 由一个长度等于问题数M的独热编码得到，s表示问题对应的知识概念向量， 由一个长度等于知识概念数N的独热编码得到；关于 和 ，学生答对练习则在 和 第一维用1填充，其它位置用0填充，学生答错练习则在 和 最后一维用1填充，其它位置用0填充； 为拼接操作， 和b1分别表示 的权重和偏置，随机初始化，通过神经网络训练得到， 为激活函数；

通过历史表现嵌入组件HPE的挖掘，得到历史表现特征 ；见公式（4）、公式（5）和公式（6）；

；

；

；

式中， 表示历史答对向量， 表示历史答错向量， 表示历史表现特征，OneHot表示独热编码，和 表示学生练习对应知识概念的历史最大答对数和历史最大答错数，和b2分别表示 的权重和偏置，随机初始化，通过神经网络训练得到；

通过遗忘行为嵌入组件FBE的挖掘，得到遗忘行为特征 ，见公式（7）、公式（8）和公式（9）；

；

；

；

式中， 表示重复时间间隔向量， 表示序列时间间隔， 表示遗忘行为特征，OneHot表示独热编码，RT和 分别表示习题对应知识概念的重复时间间隔和序列时间间隔， 和b3分别表示 的权重和偏置，随机初始化，通过神经网络训练得到；

嵌入模块的输出用综合表现向量 表示，具体过程为：向量维度过大使得难以训练，将习题特征 、历史表现特征 、遗忘行为特征进行拼接，使用主成分分析进行向量降维，综合表现向量 计算公式见公式（10）：；

关于顺序自注意力模块，具体为：

将嵌入模块输出的综合表现向量 ，输入到循环神经网络中，得到具有序列顺序特征的向量X，计算公式见公式（11）：；

式中，X表示序列顺序特征的向量， 表示综合表现向量，LSTM表示循环神经网络；

将具有序列顺序特征的向量X输入到自注意力机制中，通过计算自注意力权重，得到自注意力机制的解码器输出全局特征m，见公式（12）和公式（13）；

；

；

式中，Q、K、V分别为查询向量、键向量、值向量， 分别为查询向量、键向量和值向量的投影矩阵，随机初始化，通过循环神经网络的训练自动得到，D为查询向量Q的维度大小的常数，T表示矩阵转置，softmax表示归一化函数，归一化函数的操作将一个向量里面的各个数值计算成范围在0 1之间的一个数值，并且保证向量里面的各个数值之和等于~

1；

将具有序列顺序特征的向量X输入到自注意力机制中，编码器输出 ，再将输入到门控循环神经网络中得到上下文特征w，见公式（14）和公式（15）；

；

；

式中， 表示顺序自注意力框架编码器的输出，Attention表示注意力机制，w表示上下文特征，GRU表示门控循环神经网络；

关于特征融合模块，具体为：

顺序自注意力模块获得全局特征m和上下文特征w两个潜在特征保留的信息，设计一个自适应的融合门来适应两个潜在特征的权值；

自适应的融合门计算公式见公式（16）、公式（17）、公式（18）：；

；

；

式中， 表示控制上下文特征的权重， 表示控制全局特征的权重， 表示sigmoid激活函数，w表示上下文特征，m表示全局特征， 表示拼接操作，具体为上下文特征w和全局特征m的拼接， 分别表示 的权重和偏置，随机初始化，通过神经网络训练自动得到；s表示学生的知识状态向量， 表示点积；

关于预测模块，具体为：

将上下文特征w和全局特征m连接，得到学生的知识状态向量s，将需要预测的问题 与融合后的学生状态向量s连接起来，并使用包含Sigmoid激活函数的全连接层，最终输出学习者对预测问题的答对概率，用p表示,具体计算公式如下：；

式中，p表示学习者对预测问题的答对概率，Sigmoid为激活函数， 分别表示 的权重和偏置，随机初始化，通过神经网络训练得到，Relu为激活函数。