1. DKN

作者将外部知识图包含的知识融入新闻嵌入。

（1）将新闻标题单词词嵌入，单词链接的实体嵌入，以及实体的上下文嵌入(邻居实体嵌入的平均)建模为CNN输入的三个通道。

（2）然后使用KCNN模型，使用多个不同大小的卷积核，对输入三通道的嵌入向量做卷积运算，对每一个卷积运算结果取最大值，并将最大值结果进行拼接，获得最终的新闻嵌入向量。

（3）用户的嵌入向量是用户历史点击新闻嵌入向量的加权和，权重由历史点击的新闻和候选新闻使用DNN计算得到。

（4）最后将用户嵌入向量和候选新闻嵌入向量拼接，送到DNN，得到用户点击候选新闻的概率。

2. KGCN

KGCN是一个端到端的框架，它通过在KG上挖掘项目间的相关属性来有效地捕获项目间的相关性。为了自动发现KG的高阶结构信息和语义信息，我们从KG中的每个实体的邻居中采样作为它们的接受域，然后在计算给定实体的表示时将邻居信息与偏差结合起来。接受野可以扩展到多个跳，以模拟高阶接近信息并捕获用户潜在的远距离兴趣。此外，我们以小批量方式实现了所提出的KGCN，这使得我们的模型能够在大型数据集和KGs上运行。

思想：

（1）计算关系r对用户u的重要性

（2）然后对项目v的邻居节点进行固定大小的采样为K，然后加权聚合邻居节点的表征和节点自身的表征

（3）最后通过函数f计算出用户u点击物品v的概率

（4）损失函数为

交叉熵损失，对比学习