Online-News-Empfehlungssysteme zielen darauf ab, die Informationsflut von Nachrichten zu bewältigen und personalisierte Empfehlungen für Benutzer zu erstellen. Im Allgemeinen ist die Sprache von Nachrichten sehr verdichtet, voller Wissensentitäten und Allgemeinwissen. Bestehende Methoden sind jedoch nicht in der Lage, solches externe Wissen zu berücksichtigen und können die verborgenen wissensbasierten Verbindungen zwischen Nachrichten nicht vollständig entdecken. Die empfohlenen Ergebnisse für einen Benutzer sind daher auf einfache Muster beschränkt und können nicht angemessen erweitert werden. Darüber hinaus steht die News-Empfehlung auch vor den Herausforderungen der hohen Zeitempfindlichkeit von Nachrichten und der dynamischen Vielfalt der Benutzerinteressen. Um diese Probleme zu lösen, schlagen wir in diesem Artikel ein tiefes wissensbewusstes Netzwerk (Deep Knowledge-Aware Network, DKN) vor, das eine Wissensgraphendarstellung in die News-Empfehlung integriert. DKN ist ein inhaltsbasierter tiefes Empfehlungsframework zur Vorhersage der Anklickrate. Ein wesentlicher Bestandteil des DKN ist ein mehrkanaliges, wort-entitäts-gleichrichtetes wissensbewusstes Faltungss neuronales Netz (Knowledge-Aware Convolutional Neural Network, KCNN), das semantische und wissensbasierte Darstellungen von Nachrichten fusioniert. Das KCNN behandelt Wörter und Entitäten als mehrere Kanäle und behält ihre Ausrichtungsbeziehung während der Faltung explizit bei. Zudem haben wir im DKN ein Aufmerksamkeitsmodul entwickelt, um die vielfältigen Interessen der Benutzer zu berücksichtigen. Dieses Modul aggregiert den Nutzungsverlauf eines Benutzers dynamisch im Bezug auf aktuelle Kandidatennachrichten. Durch umfangreiche Experimente auf einer echten Online-News-Plattform zeigen wir, dass DKN erhebliche Verbesserungen gegenüber den neuesten tiefen Empfehlungsmodellen erreicht. Wir validieren zudem die Effektivität des Einsatzes von Wissen im DKN.