主要参考：《DKN: Deep Knowledge-Aware Network for News Recommendation》
新闻推荐的特点
与传统电影推荐、商品推荐不同，新闻推荐面临独特的挑战。
1.新闻时效性和用户冷启动问题
先看下面这两张图，第一张图展示了新闻的生命周期分布情况，可以看出大多数新闻的生命周期只有一条，可能只有极少的爆炸性新闻能拥有好几天的生命周期；第二张展示了一个用户点击新闻的数量分布情况，可以看出大多数用户都只会点击1~6条新闻，产生的原因可能是浏览新闻大多是不需要登录的，用户每次都被当成一个新的用户，所以新闻推荐常常处理为会话（session-based）推荐。
因此，传统的基于用户ID（即基于用户的历史记录）的方法，如协同过滤，就不再适用。
2. 用户兴趣的话题敏感性（topic-sensitive）
用户往往只对某些特定领域的新闻感兴趣，这点与电影推荐类似。而且用户的兴趣还可能是会发生变化的，所以如何动态地获取用户的兴趣是一大挑战。
3.新闻语言的复杂性
新闻的语言往往是高度浓缩的，而且包含大量的常识。即新闻的语义特征隐含在不同粒度的字里行间。用论文中的例子来说明：
假设用户阅读了新闻：“Boris Johnson Has Warned Donald Trump To Stick To The Iran Nuclear Deal”，按照实体间的联系（或者人大脑的联想），比如Boris Johnson和Donald Trump都是Politician（政客），可以联想到Congress（议会），同时Nuclear（核武器）属于武器（Weapon），可以联想到另一种武器EMP（电磁脉冲）…
通过这些联想，我们可以猜想该用户也可能喜欢“North Korean EMP Attack Would Cause Mass U.S. Starvation, Says Congressional Report”这条新闻。
但是传统的基于词表面意思，根据字符级别的相似度等来做推荐的方法，显然是无法达到这种联想效果的。
DKN
1. DKN的整体框架
DKN，全称Deep Knowledge-Aware Network，是一个基于内容的深度推荐框架。因为是基于内容的，所以可以解决挑战1；而且采用了知识图谱，可以捕获更细粒度的隐藏信息，所以可以解决挑战3；至于挑战2，作者采用了Attention机制，聚合了点击历史新闻信息，从中捕获用户兴趣，解决了挑战2。整体框架如下图所示：
输入为一条候选新闻和用户的点击历史，输出是用户对候选新闻的点击率，最后对所有候选新闻进行降序排序，推荐topK条给用户。
2. DKN的流程
1）将每条新闻的题目（也可以是摘要）中的每个词分别表示为一个嵌入（word embedding）；
2）同时在知识图谱中找到这些词对应的实体，以及这些实体的一阶邻居实体（成为context，用于获取更丰富的信息，不然实体数量太少了），通过transD学习这些实体的嵌入（entity embedding和context embedding）；
3）将这些嵌入对齐，词嵌入跟相应的实体嵌入对齐，同时也跟上下文嵌入（有多个上下文嵌入时，作平均，化为一个嵌入）；
4）将三种嵌入经过一个变换，映射到同一个空间，然后堆叠起来，做CNN，得到一个向量作为新闻的最终嵌入；
5）将每个用户点击历史的每条新闻和候选新闻的最终嵌入拼接起来，通过Attention网络计算历史新闻的权重；
6）根据点击历史的每条新闻最终嵌入的加权求和得到用户嵌入（user embedding）；
7）最后将用户嵌入和候选新闻的最终嵌入拼接起来输入DNN得到点击概率。
3. DKN的核心
DKN最核心的部分是KCNN（即流程中的第4歩），其是有Kim CNN扩展而来，具有两个特点：1）多通道。将词嵌入、实体嵌入和上下文嵌入堆叠起来，类比于彩色图像上的多通道卷积；2）词和实体是对齐的。同时为了二者嵌入空间的差异，应用了一个变化，将它们映射到同一空间。
文献链接
1.《DKN: Deep Knowledge-Aware Network for News Recommendation》
希望我的文章可以给你们的工作或者学习带来一丝灵感，共勉～