杨敬慧

新华通讯社 北京 100803

引言

随着互联网的发展，人们的新闻阅读习惯已逐渐从纸质媒体转变为在线新闻网站。而网络新闻平台一个较为显著缺点是新闻的数量之大让用户难以承受。为了减轻信息过载影响，帮助用户针对自己的阅读兴趣，提出个性化的建议则显得尤为重要。

考虑到在新闻推荐的特点和受到知识图谱广泛成功应用的启发，本文提出了一种新的针对新闻内容推荐的框架，即深层知识knowledge-aware网络（DKN）。DKN是一个基于内容的模型对于点击率（CTR）的预测，这需要一个候选新闻和一个用户的点击历史记录作为输入和输出用户点击新闻的概率。DKN 模型主要分成三部分：知识抽取（Knowledge Distillation）、知识感知卷积神经网络（KCNN：Knowledge-aware CNN）、用于抽取用户兴趣的注意力网络（Attention Network：Attention-based User Interest Extraction）。下面对这三部分进行详细的介绍。

1 知识抽取

知识抽取模块的输入是一些用户点击的新闻标题。首先将标题拆成一组词，然后将标题中的词与知识库的实体进行链接，那么再接着找出距离链接实体一跳之内的所有邻接实体，并将这些邻接实体称之为上下文实体。这样，根据新闻标题可以得到三部分的信息，分别是词，链接实体，以及上下文实体。由此分别得到了词、链接实体、上下文实体的向量表示[1]。

2 知识感知卷积神经网络 KCNN

KCNN是传统CNN的扩展，它允许灵活地将知识图谱中的符号知识整合到句子表示学习中，利用KCNN，我们得到了每一条新闻的知识感知表示向量。为了获得用户对当前候选新闻的动态表示，我们使用关注模块将候选新闻自动匹配到每一条点击的新闻，并用不同的权重聚合用户的历史。……