随着互联网的蓬勃发展,人们的新闻阅读习惯逐渐从报纸、电视等传统媒体转向互联网,网络新闻越来越成为用户日常获取新闻信息的主要来源。由于网络上每天都有海量的新闻报道产生,用户面临着严重的信息过载（Information Overload）的问题,个性化新闻推荐是解决新闻信息过载、实现用户个性化信息获取的重要方法,对于新闻服务提供商改善用户体验至关重要。与传统的电影、音乐和餐厅等其他推荐领域不同,新闻推荐具有以下的特征:新闻文章具有高度的时间敏感性,已有的新闻报道会在很短的时间之后就不会再推送和呈现给用户,因此,经典的基于ID的协同过滤方法在这种情况下效果比较差,对新闻内容的深刻理解是必要的。人们在阅读新闻时对新闻主题比较敏感,通常对多个特定的新闻类别感兴趣,而新闻不同于一般商品,包含丰富的内容和信息,经常能反映用户的多种兴趣,如何根据用户的多样化阅读历史准确地建模用户的兴趣是个性化新闻推荐系统的关键。新闻内容较为复杂,往往包含大量文本和事实,随着推荐系统的发展,可解释推荐系统越来越受到研究者的关注,如何基于复杂的新闻数据有效地构建合理的解释理由比较有挑战性。知识图谱（Knowledge Graphs）是一种异构图,其中节点表示实体,边表示实体之间的关系。商品及其属性信息往往能够映射到知识图谱中,因此将知识图谱这种精心构建的外部知识库引入到推荐系统中来,能够更好地丰富商品的表示,增强推荐系统对商品以及用户的理解,提升推荐系统的准确性。把知识图谱引入到推荐系统的另一个好处是能提高推荐系统的可解释性,通过知识图谱能够建立用户和商品,商品和商品之间的联系,从而提供便于理解的可解释的路径。基于以上优势,把知识图谱引入到推荐系统中越来越受到研究者的关注。对于新闻推荐来说,新闻的语言通常高度浓缩,一般包含大量的知识实体,这些知识实体往往对应新闻中的人物,地点等经常能反映新闻的主题的关键词,结合知识图谱可以有效地将相关的新闻联系在一起,增强对新闻内容的理解。因此,知识图谱是非常理想的辅助新闻推荐的数据源。利用知识图谱更好地提升新闻推荐成为一个有前途的研究方向。本文结合知识图谱在个性化新闻推荐问题上做出以下创新性研究:（1）以往的新闻推荐研究大多是基于通用知识图谱进行的,然而通用知识图谱缺乏新闻相关的属性信息,并且同时包含了大量的与新闻无关的信息。为了使得知识图谱更加符合新闻推荐的具体要求,本文提出新闻知识图谱（News Graph）,在通用知识图谱的基础上,引入新闻相关的属性信息,同时去掉通用知识图谱中与新闻无关的噪音信息,构建专门服务于新闻推荐的领域知识图谱。（2）新闻表示的质量是新闻推荐的基础,与其他形式文本例如用户评论相比,新闻往往包含大量知识实体,因此引入知识图谱能显著提升新闻文本的表示,但是如何充分的利用知识信息,结合文本,得到更好的表示有待研究。为此本文提出了知识增强新闻表示模型（KRED）,以快速、灵活、准确的方式提升新闻文章的表示。（3）了解用户的兴趣对于新闻推荐至关重要,新闻往往内容比较复杂,一篇新闻可能包含多个兴趣点,用户的兴趣通常也比较广泛,因此粗略地把一篇新闻归到特定兴趣下,用单一向量表示用户,会使得对用户的兴趣建模不够准确。本文提出了知识增强用户多兴趣模型（KEMI）,结合异构图神经网络和双记忆网络的模型,从新闻文本（粗粒度）和相关实体（细粒度）两个层次上建模用户的兴趣,更加准确的刻画了用户的多样化兴趣,同时使得不同的兴趣在知识层面有了更好的解释性。（4）随着推荐系统的发展,可解释的推荐系统越来越受到研究人员的关注,之前的结合知识图谱的可解释模型由于计算复杂度和不能有效地结合新闻表示等问题,不适合应用在新闻推荐这个问题上。我们首次在新闻推荐上应用可解释推荐,提出了锚点知识图（AnchorKG）模型,对于每篇新闻,生成一个锚点知识图,这个锚点知识图只包含一些新闻中比较重要的实体,和这些实体在知识图谱中跟新闻内容紧密相关的邻居。因此在做推理的时候,我们仅仅通过锚点知识图来找推荐路径,使得在新闻上进行可解释推荐变得可行。并且我们的模型可以有效地结合新闻和实体表示,同时保障了新闻推荐的准确性。总体而言,本文全面地研究了知识图谱在新闻推荐中的作用,从基础的如何改善知识图谱来更适用于新闻推荐任务,到结合知识图谱提升新闻推荐最核心的新闻表示和用户建模,再到更深层次的结合知识图谱给新闻推荐提供可解释性。本文所研究的内容同时也能为现实应用带来一定的理论与实用意义。