Un sistema de recomendación de noticias está diseñado para manejar grandes cantidades de noticias y proporcionar recomendaciones personalizadas para los usuarios. Modelar con precisión las noticias y los usuarios es clave para la recomendación de noticias. Los investigadores suelen utilizar información auxiliar, como redes sociales o atributos de los artículos, para aprender sobre la representación de noticias y usuarios. Sin embargo, los sistemas de recomendación existentes descuidan explorar los ricos temas en las noticias. Este artículo consideró el grafo de conocimiento como la fuente de información adicional. Mientras tanto, utilizamos las preferencias temáticas de los usuarios para mejorar el rendimiento de las recomendaciones. Propusimos un nuevo marco llamado NRTEH que se basaba en las preferencias de temas y entidades en el comportamiento histórico del usuario. El núcleo de nuestro enfoque era el codificador de noticias y el codificador de usuarios. Dos codificadores en NRTEH manejaron los títulos de noticias desde dos perspectivas para obtener la representación de noticias y usuarios: (1) extrayendo características temáticas explícitas y latentes de las noticias y minando las preferencias de los usuarios por ellas; y (2) extrayendo entidades y propagando las preferencias potenciales de los usuarios en el grafo de conocimiento. Los experimentos en un conjunto de datos del mundo real validaron la efectividad y eficiencia de nuestro enfoque.