本發(fā)明屬于個(gè)性化學(xué)習(xí)技術(shù)領(lǐng)域，公開了一種動(dòng)態(tài)知識(shí)掌握建模方法、建模系統(tǒng)、存儲(chǔ)介質(zhì)及處理終端，構(gòu)建學(xué)習(xí)過程中影響學(xué)習(xí)者知識(shí)掌握狀態(tài)及表現(xiàn)的學(xué)習(xí)資源畫像指標(biāo)和學(xué)習(xí)者畫像指標(biāo)；從在線學(xué)習(xí)平臺(tái)中采集包含相應(yīng)的學(xué)習(xí)者行為數(shù)據(jù)以及數(shù)字學(xué)習(xí)資源特征的數(shù)據(jù)集；對構(gòu)建的學(xué)習(xí)資源畫像指標(biāo)和學(xué)習(xí)者畫像指標(biāo)進(jìn)行學(xué)習(xí)者信息融合量化處理，得到淺層學(xué)習(xí)特征；利用堆疊自編碼器對得到的淺層學(xué)習(xí)特征進(jìn)行深度表征及融合，構(gòu)建深度學(xué)習(xí)者特征；構(gòu)建基于記憶與遺忘因素結(jié)合的動(dòng)態(tài)知識(shí)掌握模型。本發(fā)明有利于提高學(xué)習(xí)者表現(xiàn)的預(yù)測精度，也為動(dòng)態(tài)知識(shí)掌握建模領(lǐng)域發(fā)展提供了新的思路，助力該領(lǐng)域發(fā)展。