针对知识追踪任务中习题间语义关联性与知识拓扑结构建模不足，及个体学习过程动态认知演化缺乏细粒度表征的问题，提出了一种基于异构图与会话图的联合建模框架 HSKT (Heterogeneous graph and Session graph-based Knowledge Tracing)。该方法首先构建异构图HRG (Heterogeneous graph)，融合学生-习题-知识点间的多语义关系，并引入答题结果、答题时长和尝试次数等细粒度行为特征，通过边属性感知的图注意力机制增强高阶语义提取与邻域信息聚合； 其次，构建时序会话图SG (Session graph) 建模答题序列的时空依赖关系，使用时序图卷积网络 (T-GCN) 结合门控循环单元 (GRU) 捕捉知识状态的局部依赖与长期演化动态，其中会话图的边权根据答题时间间隔按艾宾浩斯遗忘曲线动态设定；最后，通过注意力机制动态融合 HRG 的静态语义表达与 SG 的动态知识表达进行预测。在ASSIST2009、ASSIST2015、ASSIST2017、EdNet和NeurIPS五个公开数据集上的实验结果表明，此方法在AUC指标上分别平均提升了2.1、1.8、4.1、2.6和1.4个百分点，为在线个性化的教学提供了更有力的支持。