1.一种基于时间卷积的知识跟踪方法，其特征在于，包括：S100：收集多名学生的学习交互记录，构建学习交互记录数据集D；

S200：构建时间卷积注意力知识跟踪模型TCAKT‑E，所述时间卷积注意力知识跟踪模型分为表征模块、学习建模模块；

S300：将所述数据集D按比例划分为训练数据集、测试数据集，把训练数据集输入到TCAKT‑E中对模型进行训练优化，然后使用测试数据集验证TCAKT‑E的性能表现；

S400：使用训练与验证后的TCAKT‑E模型对学生表现进行预测。

2.根据权利要求1所述的基于时间卷积的知识跟踪方法，其特征在于，每一条所述的学习交互记录具体包含学生、问题信息、回答情况、技能点。

3.根据权利要求1所述的基于时间卷积的知识跟踪方法，其特征在于，对于 个学生，个问题信息， 个技能点， ，所述构建时间卷积注意力知识跟踪模型TCAKT‑E具体包括：S210：使用独热编码方法对问题信息 、回答情况 分别进行编码，得到问题向量 和回答结果向量 ，拼接 和 得到t时刻的学生作答表现 ，计算公式如下：其中， 表示学生回答的第 个问题信息， 表示学生对第 个问题信息的回答情况，取值为1表示回答正确，取值0表示回答错误；

S220：获取学生经验表征 ，并对 进行编码，得到学生经验向量 ；

S230：联合学生作答表现 、学生经验向量 得到学生行为向量 ，计算公式如下：其中， 表示联合函数；

S240：使用时间卷积注意力网络TCAN对学生行为数据 进行学习建模。

4.根据权利要求3所述的构建时间卷积注意力知识跟踪模型TCAKT‑E，其特征在于，所述获取学生经验表征 具体计算如下：其中， 表示从时刻1到时刻 的学生 在技能点 上的经验表征，参数 是一个正整数的经验表征常量， 表示从时刻1到时刻 的学生 在技能点 上的回答正确次数和错误次数之差， 和 的计算公式分别如下：其中， 表示从时刻1到时刻 的学生 在技能点 上回答正确的次数，表示从时刻1到时刻 的学生在技能点 上回答错误的次数。

5.根据权利要求3所述的构建时间卷积注意力知识跟踪模型TCAKT‑E，其特征在于，所述使用TCAN对学生行为数据 进行学习建模，包括：S241：多尺度特征信息提取：将学生行为数据 输入到 个堆叠的残差块中，堆叠的残差块中的膨胀卷积所用系数呈指数级递增，经过不同的残差块处理获得不同时间尺度的学习行为特征图；残差块均由膨胀卷积、ReLU激活、权重归一化、Dropout操作构成，每经过一个残差块处理后，输出一个学习行为特征图 )，融合 个不同时间尺度的学习行为特征图，公式如下：其中，表示融合后学习行为特征图， 表示融合函数， 表示第一个残差块处理获得的学习行为特征图， 表示第二个残差块处理获得的学习行为特征图， 表示第 个残差块处理获得的学习行为特征图；

S242：经过S241处理输出 的融合后学习行为特征图 ，对 进行全局平均池化GAP操作，计算公式如下：其中，表示高度， 表示宽度，表示通道总数， 表示全局平均池化操作， 表示中第 个元素的特征；

S243：确定通道交互信息的范围 ：根据通道总数 的大小自适应确定通道交互信息的范围 ，计算公式如下：其中，表示与当前通道进行信息交互的近邻通道的个数， 表示离 最近且比 大的奇数，C表示通道总数，与 是 计算公式中的正整数常量；

S244：通道注意力调整：自适应确定好 后，所有通道共同分享学习到的注意力权重参数，第个通道 的权重 计算公式如下：其中， 表示所有通道共享的权重参数， 表示与 相邻的 个通道的集合。

6.根据权利要求1所述的基于时间卷积的知识跟踪方法，其特征在于，所述训练TCAKT‑E所用的损失函数计算如下：其中， 表示损失函数，表示 时刻的真实回答问题情况， 表示 时刻的预测回答问题情况。