1.基于知识增强和注意力机制的新闻推荐方法，其特征是，包括：获取用户对新闻链接的历史点击数据；获取候选新闻数据；

将历史点击数据和候选新闻数据，均输入到训练后的新闻推荐模型中，得到为用户个性化推荐的新闻数据；

其中，新闻推荐模型，基于用户对若干个新闻链接的历史点击数据构建出若干个用户兴趣表示；将所有的用户兴趣表示均与每个候选新闻数据进行匹配，得到匹配结果；使用不同权重对所有的用户兴趣表示进行聚合，得到聚合结果；基于匹配结果和聚合结果得到用户感兴趣新闻的特征向量；将用户感兴趣新闻的特征向量与候选新闻的特征向量进行拼接，对拼接结果进行预测，得到推荐的候选新闻；将结果推荐给用户。

2.如权利要求1所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，所述新闻推荐模型，包括：M个第一编码器和一个第二编码器；其中，M为正整数；

所述第一编码器用于对用户浏览过的新闻标题进行编码处理，得到用户兴趣表示；

所述第二编码器用于对候选新闻标题进行编码处理，得到候选新闻的特征向量；

相邻两个第一编码器的输出端与对应的第一基于注意力机制的卷积神经网络的输入端连接；其中，第一基于注意力机制的卷积神经网络的数量为M‑1个；

所有第一编码器的输出端和第二编码器的输出端，均与第二基于注意力机制的卷积神经网络的输入端连接；其中，第二基于注意力机制的卷积神经网络的数量为一个；

第二基于注意力机制的卷积神经网络的输出端和所有第一基于注意力机制的卷积神经网络的输出端均与乘法器连接；

乘法器输出用户感兴趣新闻的特征向量；

乘法器的输出端与第二编码器的输出端均与拼接单元的输入端连接，实现将用户感兴趣新闻的特征向量与候选新闻的特征向量的拼接；

拼接单元的输出端与多层感知器的输入端连接，多层感知器的输出端用于输出推荐的候选新闻。

3.如权利要求2所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，所述第一编码器，包括：依次连接的嵌入层、图注意力网络、卷积神经网络层和最大池化层。

4.如权利要求1所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，所述基于用户对若干个新闻链接的历史点击数据构建出若干个用户兴趣表示；具体包括：采用已有知识图谱，对某个历史点击新闻标题进行实体提取，得到实体、实体与实体之间的连接边以及实体与实体之间的关联规则，进而得到关系构建子图；

采用图注意力网络，对关系构建子图的每一个实体进行关联性搜索，计算实体与实体之间的连接边的权重，选取出权重高于设定阈值的实体；

采用卷积神经网络，对选出的实体进行特征表示，得到当前被浏览过的新闻标题的用户兴趣表示。

5.如权利要求4所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，所述采用已有知识图谱，对某个历史点击新闻标题进行实体提取，得到实体、实体与实体之间的连接边以及实体与实体之间的关联规则，进而得到关系构建子图，具体包括：(111)从新闻标题中识别出实体，在处理完所有的新闻标题后，得到一个新闻实体集合Enews；

(112)根据新闻实体集合Enews，从已有知识图谱中抽取出一个子图：对已有知识图谱中的所有关系，将与集合Enews中实体一样的实体词频的阈值设置为n次，当两个实体出现的词频超过n次时，将构建两个实体之间的关系，子图中剔除了不处于连接任意ei∈Enews路径上的节点和相应的边；n为正整数，例如10；

(113)采用知识表示学习方法TransE，将知识图谱子图中的实体和关系映射到低维向量空间，得到实体和关系的特征向量，供后续使用。

6.如权利要求4所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，采用图注意力网络，对关系构建子图的每一个实体进行关联性搜索，计算实体与实体之间的连接边的权重，选取出权重高于设定阈值的实体；具体包括：(121)：使用TransE学习对于每个实体和关系的嵌入向量 TransE在知识图上进行实体/关系的嵌入并使特征保持不变；

让 来表示三元组中头部实体h的集合；一个实体表示为：

其中： 表示向量连接，表示eh和et是从TransE学习到的实体向量；π(h，r，t)是控制邻居节点需要向当前实体传播信息的数量的注意权值，通过双层全连接神经网络计算得到：其中，使用softmax函数来归一化系数；使用图注意力网络只启用单跳图的邻域，将TransE嵌入向量作为节点特征，可训练参数为{W0，W1，W2，b1，b2}；

(122)：通过丰富实体表示，进而丰富了实体的相关上下文信息；上下文嵌入被计算为其上下文实体的平均值：(123)：由于实体向量存在着与词向量属于不同向量空间的问题；

首先，引入一个映射函数将实体向量和映射到和文本特征相同的向量空间中，得到实体特征矩阵；

g(e)＝tanh(Me+b)

其中： 是可训练的变换矩阵， 是可训练的参数；

然后，采用与实体特征相同的映射函数将其映射到和文本特征相同的向量空间中，得到实体上下文特征矩阵；

最后，文本特征矩阵、实体特征矩阵和实体上下文特征矩阵构建三通道输入，通过CNN，提取新闻特征向量e(t)，其中， 为第i个卷积核的输出，m为卷积核的个数：

7.如权利要求1所述的基于知识增强和注意力机制的新闻推荐方法，其特征是，所述使用不同权重对所有的用户兴趣表示进行聚合，得到聚合结果；具体是指：采用第一基于注意力机制的卷积神经网络，使用不同权重对所有的用户兴趣表示进行聚合，得到聚合结果；

所述使用不同权重对所有的用户兴趣表示进行聚合，得到聚合结果；具体包括：使用不同的设定权重对所有的用户兴趣表示进行加权求和，得到聚合结果；

所述将所有的用户兴趣表示均与每个候选新闻数据进行匹配，得到匹配结果；具体是指：采用第二基于注意力机制的卷积神经网络，将所有的用户兴趣表示均与每个候选新闻数据进行匹配，得到匹配结果；

基于匹配结果和聚合结果得到用户感兴趣新闻的特征向量；具体包括：将匹配结果和聚合结果相乘，得到用户感兴趣新闻的特征向量；

将用户感兴趣新闻的特征向量与候选新闻的特征向量进行拼接；具体包括：将用户感兴趣新闻的特征向量与候选新闻的特征向量进行串联拼接；

所述对拼接结果进行预测，得到推荐的候选新闻；具体包括：

将拼接结果输入到多层感知器，得到推荐的候选新闻的推荐概率值；

按照推荐概率值由大到小的顺序对候选新闻进行排序，将排序靠前的新闻推荐给用户。

8.基于知识增强和注意力机制的新闻推荐系统，其特征是，包括：获取模块，其被配置为：获取用户对新闻链接的历史点击数据；获取候选新闻数据；

推荐模块，其被配置为：将历史点击数据和候选新闻数据，均输入到训练后的新闻推荐模型中，得到为用户个性化推荐的新闻数据；

其中，新闻推荐模型，基于用户对若干个新闻链接的历史点击数据构建出若干个用户兴趣表示；将所有的用户兴趣表示均与每个候选新闻数据进行匹配，得到匹配结果；使用不同权重对所有的用户兴趣表示进行聚合，得到聚合结果；基于匹配结果和聚合结果得到用户感兴趣新闻的特征向量；将用户感兴趣新闻的特征向量与候选新闻的特征向量进行拼接，对拼接结果进行预测，得到推荐的候选新闻；将结果推荐给用户。

9.一种电子设备，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1‑7任一项所述的方法。

10.一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1‑7任一项所述方法的指令。