DKN：注意力 知识图谱 新闻推荐

KCNN :
semantic-level & knowledge-level
1.multi-channel：word embedding；entity embedding；context entity embedding
2.word-entity-aligned：word & associated entity

新闻数据特征：
1.高度时间敏感，相关性很快失效
2.人对话题热点的敏感，对多个类别感兴趣
3.新闻语言高度浓缩凝结，包含大量知识节点和常识。

知识图谱嵌入：
entity-relation-entity（h，r，t）
为知识图谱中的每个实体和关系学习得到一个低维向量，同时保持图中原有的结构或语义信息。一般而言，知识图谱特征学习的模型分类两类：基于距离的翻译模型（使用基于距离的评分函数评估三元组的概率，将尾节点视为头结点和关系翻译得到的结果。这类方法的代表有TransE、TransH、TransR、TransD等）和基于语义的匹配模型（使用基于相似度的评分函数评估三元组的概率，将实体和关系映射到隐语义空间中进行相似度度量。这类方法的代表有SME、NTN、MLP、NAM等）。

（基于距离的翻译模型中TransD结果更好）

定义损失：
Kim CNN：
DKN模型结构图：

KCNN：将word embedding & entity embedding & context entity embedding拼接

其中，或者（非线性结果更好)
注意力模型：
DNN H计算权重

DNN G计算点击率