온라인 뉴스 추천 시스템은 뉴스 정보의 폭발적인 증가를 해결하고 사용자에게 개인화된 추천을 제공하는 것을 목표로 합니다. 일반적으로 뉴스 언어는 매우 축약되어 있으며, 지식 엔티티와 상식으로 가득 차 있습니다. 그러나 기존 방법들은 이러한 외부 지식에 대해 인지하지 못하며, 뉴스 간의 잠재적인 지식 수준의 연결성을 완전히 발견할 수 없습니다. 따라서 사용자에게 추천되는 결과는 단순한 패턴에 제한되며 합리적으로 확장될 수 없습니다. 또한, 뉴스 추천은 뉴스의 시간 감응성이 높고 사용자의 관심사가 동적으로 다양해지는 문제에도 직면해 있습니다. 위 문제들을 해결하기 위해 본 논문에서는 지식 그래프 표현을 뉴스 추천에 통합하는 깊은 지식 인지 네트워크(DKN)를 제안합니다. DKN은 클릭률 예측을 위한 콘텐츠 기반의 깊은 추천 프레임워크입니다. DKN의 핵심 구성 요소는 다중 채널 및 단어-엔티티 정렬된 지식 인지 컨볼루션 신경망(KCNN)으로, 이는 뉴스의 의미 수준과 지식 수준 표현을 융합합니다. KCNN은 단어와 엔티티를 여러 채널로 취급하며, 컨볼루션 과정에서 명시적으로 그들의 정렬 관계를 유지합니다. 또한, 사용자의 다양한 관심사를 처리하기 위해 DKN 내에서 주목 모듈(attention module)을 설계하여 현재 후보 뉴스에 대한 사용자의 역사 정보를 동적으로 집계합니다. 실제 온라인 뉴스 플랫폼에서 수행된 광범위한 실험을 통해 DKN이 최신 깊은 추천 모델보다 실질적인 개선 효과를 보이는 것을 입증하였습니다. 또한 DKN에서 지식 활용의 유효성도 검증하였습니다.