1.一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，具体步骤为： S1.获取统计的学习者对多个知识组件样本的认知数据集，所述认知数据集包括多个时间序列，一个时间序列包括一个学习者在一个知识组件上的题目和题目回答情况； S2.建立长短期记忆神经网络模型，所述长短期记忆神经网络模型的输入为认知数据中的当前时间序列，输出为与当前时间序列对应的知识组件的贝叶斯知识追踪模型的参数组，设置所述长短期记忆神经网络模型的初始参数值，设置所述长短期记忆神经网络模型的权重参数矩阵的初始值和偏差参数矩阵的初始值；将当前时间序列输入长短期记忆神经网络模型，得到与当前时间序列对应的知识组件贝叶斯知识追踪模型的参数组； S3.将与当前时间序列对应的知识组件的贝叶斯知识追踪模型的参数组输入贝叶斯知识追踪模型，计算学习者对当前时间序列的题目的答题正确的概率预测值，遍历当前时间序列的所有题目，得到学习者对当前时间序列的题目的答题正确概率预测值，对比认知数据集中当前时间序列的题目的答题正确与否的真实值，得到与当前时间序列对应的长短期记忆神经网络模型损失函数，所述损失函数的自变量包括长短期记忆神经网络模型的权重参数矩阵和偏差参数矩阵；将与当前时间序列对应的长短期记忆神经网络模型损失函数最小化，得到权重参数矩阵的优化值和偏差参数矩阵的优化值；遍历认知数据集所有的时间序列，得到长短期记忆神经网络模型权重参数矩阵的优化值和偏差参数矩阵的最优值； S4.利用最优化后的长短期记忆神经网络模型计算得到学习者与所有知识组件一一对应的贝叶斯知识追踪模型的参数组；利用最优化的所有知识组件对应的贝叶斯知识追踪模型，实现学习者对待测试题目的认知状态的预测，依据认知状态的预测进行学习者的学习路径规划和/或知识图谱的构建。 2.根据权利要求1所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，所述长短期记忆神经网络模型的初始参数值包括输入输出维度、网络层数、每层神经元的个数和序列次数。 3.根据权利要求1所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，所述认知数据集包括n个时间序列D1,D2,...Dn，各个时间序列对应的题目数目分别为I1,I2,...In，所述当前时间序列为Dc。 4.根据权利要求3所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，所述当前时间序列对应第s个学习者和第r个知识组件，与所述当前时间序列Dc对应的知识组件的参数组包括： prs(L0)：第s个学习者与对第r个知识组件的初始学习状态的概率估计； prs(T)：第s个学习者学会第r个知识组件的概率估计； prs(G)：第s个学习者未掌握第r个知识组件时猜对的概率估计； prs(S)：第s个学习者掌握第r个知识组件后做题失误的概率估计。 5.根据权利要求4所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，与当前时间序列Dc对应的长短期记忆神经网络模型损失函数具体为： 其中，l为交叉熵，w为长短期记忆神经网络模型的权重参数矩阵，b为长短期记忆神经网络模型的偏差参数矩阵，r代表当前时间序列对应的知识组件的编号，s代表当前时间序列对应的学习者的编号，Ic代表当前时间序列Dc的题目数量，p(Cis)代表第s个学习者对当前时间序列的第i个题目的答题正确概率预测值，evidencei代表认知数据集中当前时间序列的第i个题目的答题正确与否的真实值。 6.根据权利要求5所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，第s个学习者对当前时间序列的第i个题目的答题正确概率预测值p(Cis)的表达式为： p(Cis)＝prs(Li-1)*[1-prs(S)]+[1-prs(Li-1)]*prs(G) 其中，prs(Li-1)为第s个学习者对当前时间序列的第i-1个题目的答题之后掌握第r个知识组件的概率估计。 7.根据权利要求6所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，第s个学习者对当前时间序列的第i个题目的答题之后掌握第r个知识组件的概率估计prs(Li)表示为： prs(Li)＝prs(Li-1|evidencei)+[1-prs(Li-1|evidencei)]*prs(T) 其中， 其中，prs(Li)为第s个学习者对当前时间序列的第i个题目的答题之后掌握第r个知识组件的概率估计，evidencei＝1表示第s个学习者回答当前时间序列的第i个题目正确，evidencei＝0表示第s个学习者回答当前时间序列的第i个题目错误。 8.根据权利要求5-7中任一项所述的一种融合长短时记忆与贝叶斯网络的知识追踪方法，其特征在于，利用随机梯度下降法将与当前时间序列对应的长短期记忆神经网络模型损失函数最小化，得到权重参数矩阵的优化值和偏差参数矩阵的优化值，具体为，依据损失函数建立当前时间序列Dc对应的成本函数， 分别对w和b求偏导得到梯度dw和db，即 更新后的长短期记忆神经网络模型的权重参数矩阵w*和偏差参数矩阵b*分别为 其中，λ为长短期记忆神经网络模型的学习率。 9.一种融合长短时记忆与贝叶斯网络的知识追踪系统，其特征在于，其包括存储器和处理器，存储器中存储有指令，该指令被处理器执行时，实现根据权利要求1-8中任一项所述的方法。
