1.一种趋势推理深度知识追踪方法，其特征在于，包括：

获取目标对象的历史练习交互序列，所述历史练习交互序列用于表征不同时间节点下不同习题的作答情况；

将所述历史练习交互序列输入趋势推理模型，得到所述目标对象的知识变化向量，所述知识变化向量用于表征目标对象的知识变化过程，所述趋势推理模型是基于所述历史练习交互序列生成的伪交互信息与所述历史练习交互序列对应的真实交互信息进行博弈搭建的；基于所述历史练习交互序列生成的伪交互信息与所述历史练习交互序列对应的真实交互信息进行博弈搭建所述趋势推理模型的步骤包括：提供趋势推理网络和判别网络；将所述历史练习交互序列输入所述判别网络，得到所述真实交互信息对应的第一判别结果；

将所述历史练习交互序列输入所述趋势推理网络，得到所述伪交互信息对应的知识变化曲线；将所述知识变化曲线输入所述判别网络，得到对应的第二判别结果，以基于所述第一判别结果和所述第二判别结果进行博弈，调整所述趋势推理网络以及所述判别网络的参数，得到所述趋势推理模型；

根据所述知识变化向量、所述历史练习交互序列对应的习题向量以及各习题的交互时间预测所述目标对象针对目标习题的知识状态。

2.根据权利要求1所述的趋势推理深度知识追踪方法，其特征在于，所述趋势推理网络包括第一输入层以及多个串接第一卷积单元，每个所述第一卷积单元包括多个卷积层和至少一个多尺度卷积层，所述输入层分别与第一个卷积单元中各卷积层连接，所述多尺度卷积层将本卷积单元的各卷积层输出特征进行融合并池化后作为下一个卷积单元中各卷积层的输入；通过多个所述第一卷积单元先进行降采样再进行升采样，将最后一个所述卷积单元的输出与所述输入层的特征进行整合后得到伪交互特征。

3.根据权利要求2所述的趋势推理深度知识追踪方法，其特征在于，所述判别网络包括第二输入层、多个串接的第二卷积单元和全连接层，所述第二卷积单元的结构与所述第一卷积单元的结构及连接方式相同，依次经过所述第二输入层、第二卷积单元和全连接层后，得到真实交互特征与所述伪交互特征的判别结果。

4.根据权利要求1所述的趋势推理深度知识追踪方法，其特征在于，基于所述第一判别结果和所述第二判别结果进行博弈，包括：通过最小化所述第一判别结果以及最大化所述第二判别结果构建所述判别网络的第一损失函数；

通过最小化所述第二判别结果构建所述趋势推理网络的第二损失函数；

根据所述第一损失函数以及所述第二损失函数更新所述判别网络和所述趋势推理网络的网络参数。

5.根据权利要求2所述的趋势推理深度知识追踪方法，其特征在于，将所述历史练习交互序列输入趋势推理模型，得到所述目标对象的知识变化向量，包括：将所述趋势推理模型中趋势推理网络最后一次降采样得到的特征作为模型输出，得到所述目标对象的知识变化向量。

6.根据权利要求1所述的趋势推理深度知识追踪方法，其特征在于，根据所述知识变化向量、所述历史练习交互序列对应的习题向量以及各习题的交互时间预测所述目标对象针对目标习题的知识状态，包括：提供交互预测网络；

将所述知识变化向量、习题向量以及对应的交互时间组成输入矩阵作为所述交互预测网络的输入，通过所述交互预测网络对所述输入矩阵中的不同维度的数据赋予不同的权重；

根据所述知识变化向量、习题向量以及对应的交互时间进行归一化，得到所述知识状态。

7.根据权利要求6所述的趋势推理深度知识追踪方法，其特征在于，根据所述知识变化向量、习题向量以及对应的交互时间进行归一化的方式表示为：其中，K为的知识状态，F为知识变化向量，Q为习题向量，dk为历史特征向量或问题向量的维度，T为交互时间对应的时间序列。

8.一种趋势推理深度知识追踪系统，其特征在于，包括：

数据获取模块，用于获取目标对象的历史练习交互序列，所述历史练习交互序列用于表征不同时间节点下不同习题的作答情况；

趋势推理模块，用于将所述历史练习交互序列输入趋势推理模型，得到所述目标对象的知识变化向量，所述趋势推理模型是基于所述历史练习交互序列生成的知识变化曲线以及插值信息进行博弈得到的；基于所述历史练习交互序列生成的伪交互信息与所述历史练习交互序列对应的真实交互信息进行博弈搭建所述趋势推理模型的步骤包括：提供趋势推理网络和判别网络；将所述历史练习交互序列输入所述判别网络，得到所述真实交互信息对应的第一判别结果；将所述历史练习交互序列输入所述趋势推理网络，得到所述伪交互信息对应的知识变化曲线；将所述知识变化曲线输入所述判别网络，得到对应的第二判别结果，以基于所述第一判别结果和所述第二判别结果进行博弈，调整所述趋势推理网络以及所述判别网络的参数，得到所述趋势推理模型；

交互预测模块，用于根据所述知识变化向量、所述历史练习交互序列对应的习题向量以及各习题的交互时间预测所述目标对象针对目标习题的知识状态。