1.融合分层知识图谱和深度知识追踪的学习路径推荐方法，其特征在于，包括以下步骤：

KGDKT模型构建，构建能够考虑知识点之间逻辑关系的深度知识追踪模型；

学习路径查找算法，基于分层课程知识图谱和KGDKT生成从起点知识点指向目标知识点的所有路径；

最优路径选择算法，通过KGDKT模型来预测每个路径在目标知识点上的提升效果，选出能够最大程度提高学习者对目标知识点掌握程度的一条路径。

2.根据权利要求1所述的融合分层知识图谱和深度知识追踪的学习路径推荐方法，其特征在于，所述KGDKT模型构建前，需要构建分层课程知识图谱；

KGDKT模型构建具体包括，通过知识图谱嵌入技术将知识图谱表示为向量eq，将eq与DTransformer模型的特征相融合，以完成分层课程知识图谱与DTransformer的融合，实现了一个自定义的AttentionLayer层，并提取DTransformer最后一个编码器层的隐藏状态作为特征f，该层接收两个输入特征向量f和eq，通过注意力机制将他们融合成一个新的向量a，具体来说，首先定义权重矩阵，然后计算注意力分数并进行归一化处理，最后通过加权求和得到融合后的向量a，过程如公式(1)所示，其中Wa是用于转换f的权重矩阵，Ua是用于转换eq的权重矩阵， 是用于计算注意力分数的权重向量，s为f和eq之间的注意力得分；

h1＝Waf

hq＝Uaeq

a＝α(Wff+Ufeq)。

3.根据权利要求1所述的融合分层知识图谱和深度知识追踪的学习路径推荐方法，其特征在于，所述学习路径查找算法具体包括，通过学习者对知识点的掌握程度确定起点知识点集合SKP，并生成从SKP指向目标知识点t的所有路径{patha,pathb,…,pathn}；

算法首先确定目标知识点和起点知识点，其中，目标知识点由学习者指定，起点知识点根据学习者对知识点的掌握情况获取，具体来说，通过KGDKT模型预测学习者对所有知识点的掌握程度，并将学习者已经掌握的知识点作为起点知识点，加入到知识点集合SKP中，为了找出从SKP中的所有起点知识点到目标知识点t的所有可能路径，并确保在学习某一知识点前已完成其所有先修知识点的学习，需要考虑具有多个先修知识点的知识点的学习顺序；

基于此，提出一种逆向广度优先搜索算法(Backward BFS，简称B‑BFS)，该算法从目标知识点出发，沿着先修关系逆向追溯HKG至起点知识点，如果未能找到起点知识点或者没有满足条件的起点知识点，则继续回溯到没有先修知识点的知识点，并将其作为学习路径的起点；

多个并列先修知识点的学习顺序由难度决定，按照由易到难的学习顺序进行学习，难度由学习者对这多个知识点的掌握程度决定，难度越高的知识点对应掌握程度越低，该算法通过逆向寻找先修知识点，能够确保在开始学习某一知识点之前，所有必要的先修知识点都已经被学习,且多个并列先修知识点符合由易到难的学习顺序；

最后，按照队列出队顺序构建路径，反转路径的方向后，加入到候选路径集合Paths中。

4.根据权利要求1所述的融合分层知识图谱和深度知识追踪的学习路径推荐方法，其特征在于，所述最优路径选择算法具体包括通过KGDKT预测学习者在不同路径上的目标知识点掌握程度，选择学习效果最好的一条路径推荐给学习者，目标知识点学习效果Ep如公式2所示，其中Es表示学习者对目标知识点的初始掌握程度值，Ee表示学习者对目标知识点的最终掌握程度值；

算法的目标是在候选学习路径集合Paths中选择出能够最大提升学习者目标知识点学习效果的一条路径，将该路径推荐给学习者；

首先，通过基于分层课程知识图谱的学习路径查找算法从HKG中查找从起点知识点集合SKP中的知识点到目标知识点t的所有学习路径，得到候选学习路径集合Paths；

其次，对于Paths中的每一条路径，通过KGDKT预测学习者在每条路径上的学习效果对路径进行选择，具体来说，首先通过KGDKT预测出每条路径学习前t的初始掌握程度Es，其次，按照路径中知识点的顺序，依次预测学习者对路径中每个知识点的掌握程度，并将预测的结果组成新的交互记录，将其添加到历史交互记录H中以完成H的更新，进而完成对其他知识点的掌握程度的预测，最终得到每条路径学习后目标知识点t的掌握程度Ee，通过公式(2)计算出通过每条路径的学习得到的Ep值，选择出Ep最大的路径推荐给学习者；