تستخدم أنظمة التوصية التفاعلية (CRS) التفاعل باللغة الطبيعية وتاريخ الحوار لاستنتاج تفضيلات المستخدم وتوفير توصيات دقيقة. نظرًا للحدود في سياق الحوار والمعرفة الخلفية، تعتمد الأنظمة الحالية على مصادر خارجية مثل الرسوم المعرفية لتعزيز السياق ونمذجة الكيانات بناءً على علاقاتها المتبادلة. ومع ذلك، تتجاهل هذه الأساليب المعلومات الداخلية الغنية المحتواة داخل الكيانات. لمعالجة هذه المشكلة، نقدم إطارًا يُسمى التمثيل المُعزّز بالمعرفة للكيانات (KERL)، والذي يستفيد من كل من الرسم المعرفي ونموذج لغوي مُدرّب مسبقًا لتحسين الفهم الدلالي للكيانات في أنظمة التوصية التفاعلية. في إطارنا KERL، يتم تشفير وصفات الكيانات النصية باستخدام نموذج لغوي مُدرّب مسبقًا، بينما يسهم الرسم المعرفي في تعزيز تمثيل هذه الكيانات. كما نستخدم الترميز المكاني لالتقاط المعلومات الزمنية للكيانات في الحوار بشكل فعّال. ثم تُستخدم التمثيلات المحسّنة للكيانات لتطوير مكوّن توصية يدمج تمثيلات الكيانات والسياق لتقديم توصيات أكثر استنارة، بالإضافة إلى مكوّن حواري يُولّد معلومات ذات صلة بالكيانات في نص الاستجابة. تم إنشاء رسم معرفي عالي الجودة يحتوي على وصفات كيانات متماشية لتسهيل دراستنا، ويُعرف باسم رسم فيلم ويكي (WikiMKG). تُظهر النتائج التجريبية أن KERL تحقق نتائج متميزة على مستوى الحد الأقصى في مهام التوصية وإنشاء الاستجابات.