随着科学技术的快速发展,越来越多的信息涌进互联网,面对严重的信息过载,人们急需一种在短时间内过滤信息的手段,以获取更多感兴趣的内容。因此,推荐系统得到了迅速的发展。尽管目前有大量的关于个性化推荐的研究,但是现有的研究一般是根据用户与物品的交互历史进行推荐的,没有充分利用用户与物品的信息,如相关常识,领域知识等。知识图谱将用户与物品的交互记录与候选物品的信息在知识级别上联系起来,对推荐系统的信息进行了扩展,因此,利用知识图谱来辅助推荐具有重要的研究价值。目前,大多数新闻推荐方法主要依赖单个信息的表征（如新闻标题）,仅有少部分方法利用了多个信息（如类别,摘要）,但他们没有考虑到新闻信息中拥有大量的知识实体和常识,没有将新闻中的多特征与知识图谱相结合,从而导致学习到的新闻表征不够全面。针对上述问题,本文做的主要工作和贡献为:（1）提出一种基于知识图谱和多特征注意力网络的新闻推荐模型（KG-MFAN）。其通过多次利用注意力网络并结合知识图谱扩展数据信息。在建模新闻标题和摘要时,使用长短期记忆网络（LSTM）提取词语的上下文信息,通过卷积神经网络（CNN）提取实体信息。在学习新闻表征时,首先,将注意力网络应用于多种新闻特征信息和所链接的知识图谱中的实体信息,选择重要的单词、实体和特征;其次,将注意力网络应用于用户浏览过的新闻记录来学习用户表征。（2）提出一种基于知识图谱和长短期用户偏好的混合新闻推荐模型（KG-LSTUP）。新闻表征通过词级别、特征级别的注意力网络来学习。在学习用户表征时,首先,通过学习用户浏览历史中全局的主题特征来建模长期用户表征;其次,利用长期用户表征初始化短期用户表征中门限循环神经网络（GRU）的隐藏状态来学习最终的用户表征。通过建模用户的长期偏好和短期偏好,减少用户兴趣偏移对推荐效果的影响,进一步提高模型的推荐性能。（3）在微软新闻数据集上进行实验。首先,对本文提出的两种模型做对比实验,验证加入知识图谱作为辅助信息和考虑用户长短期偏好的有效性;其次,与基准模型的实验结果进行对比;再次,和模型自身的变体进行对比。结果显示本文模型在推荐效果上有明显提升。在AUC、NDCG和MRR评价指标上,均验证了本文提出的两种模型的有效性和准确性。