知識トレーシング（KT）とは、学生の過去の回答履歴に基づいて、その学生が特定の問題を正しく解答できるかどうかを予測するタスクを指す。これまでの研究では、問題に関する情報の活用に多くの努力が払われてきたが、問題とスキルの間にある豊富な関係性や補助情報の有効な抽出が十分に行われていないため、従来の手法は十分な性能を発揮できていないのが現状である。本論文では、豊富な補助情報を用いて各問題に対する埋め込み（embedding）を事前学習（pre-training）した後、得られた埋め込みを用いて深層KTモデルを学習することで、KT性能の大幅な向上が可能であることを示す。具体的には、補助情報として問題の難易度および、問題とスキルの間の二部グラフに含まれる3種類の関係性を用いる。問題埋め込みの事前学習には、積ベースのニューラルネットワーク（product-based neural networks）を提案し、これらの補助情報を再構成する手法を採用した。その結果、既存の深層KTモデルに事前学習された埋め込みを導入することで、3つの代表的なKTデータセットにおいて、従来の最先端手法を顕著に上回る性能を達成した。