针对已有融合知识图谱和隐私保护的推荐方法不能有效均衡差分隐私(DP)拉普拉斯噪声与推荐系统效率的问题，提出一种融合知识图谱和差分隐私的新闻推荐方法(KGPNRec)。首先，采用多通道知识感知的卷积神经网络模型(KCNN)融合新闻标题、知识图谱中实体和实体上下文等多维度的特征向量，以提高推荐的准确度;其次，利用注意力机制为不同敏感程度的特征向量添加不同程度的噪声，降低噪声对数据分析的影响;然后，对加权的用户特征向量添加统一的拉普拉斯噪声，保证用户数据的安全性;最后，在真实的新闻数据集上进行实验分析。实验结果表明，与融合知识图谱和隐私保护的多任务推荐(PPMTF)方法和基于深度知识感知网络(DKN)的推荐方法等对比方法相比，KGPNRec在保护用户隐私的同时能保证模型的预测性能。如在Bing News数据集上所提方法的曲线下面积(AUC)值、准确率和F1分数与PPMTF相比分别提高了0.019、0.034和0.034。