本论文提出了一种新颖的方法，通过提取直播文本中的关键时刻，并使用它们创建新闻的初始草稿，进一步通过特殊设计的体育知识图谱中的关键细节和背景信息进行改进，利用融合卷积神经网络和变换器编码器的多阶段学习模型，通过处理器计算不完整三元组的匹配分数，解决了少样本知识图谱补全问题，并经过主客观评估确认其能够彻底改变体育新闻的创作方式。

Feb, 2024

本文提出了一种知识感知的交互匹配方法，通过使用知识图谱来捕获语义和实体之间的相关性，同时设计了新闻协同编码器和用户新闻协同编码器来学习正文新闻和候选新闻的表征以及用户兴趣的表征，从而有效提高了新闻推荐的性能。

Apr, 2021

本文提出了一种深度知识感知网络 (DKN)，将知识图谱表示法融入新闻推荐中，使用多通道和单词 / 实体对齐的知识感知卷积神经网络 (KCNN) 整合新闻的语义水平和知识水平表示，设计注意力模块在 DKN 中动态聚合用户历史以及目前候选新闻，实验证明 DKN 在真实在线新闻平台所取得的成果超过了所有最先进的深度推荐模型，并证实了 DKN 中使用知识的有效性。

Jan, 2018

提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

May, 2022

该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

Mar, 2020

本文提出了一种组合了 TF-IDF 和 KGE 的加权内容推荐系统，用于嵌入文本数据和命名实体。通过复合方法，还使用从电影相关网站爬取的数据集和 FarsBase KG 的结构来构建 MovieFarsBase KG，该方法明显优于传统的 TF-IDF 方法。

Oct, 2022

本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

Feb, 2019

我们提出了一种混合多任务学习方法，通过对描述性文本进行基于物品的对比学习，从而更好地理解知识图谱中的实体关系，提供更准确、相关、多样化的用户推荐，特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验，验证了我们方法的有效性，并且结果表明基于物品的对比学习提高了实体嵌入的质量。

Mar, 2024

论文提出了在缺乏背景知识和长尾实体的情况下，通过自动化生成实体出现位置的候选项并结合用户反馈来提高实体链接的准确性的方法。选择了基于梯度互缠的多样化和文本相关性方法作为生成候选项的方法，并在 FACC 数据集上进行了广泛的实验，展示了该方法的有效性。

Oct, 2018

通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019