Dieses Papier untersucht Empfehlungssysteme mit Wissensgraphen, die effektiv das Problem der Datenverdünnung und des kalten Starts lösen können. In letzter Zeit wurden verschiedene Methoden für dieses Problem entwickelt, die im Allgemeinen versuchen, effektive Darstellungen von Benutzern und Artikeln zu erlernen und dann Artikel den Benutzern nach ihren Darstellungen zuzuordnen. Obwohl diese Methoden als sehr wirksam gezeigt wurden, fehlen ihnen gute Erklärungen, die für Empfehlungssysteme entscheidend sind. In diesem Beitrag beschreiten wir einen anderen Weg und schlagen vor, Empfehlungen durch das Auffinden sinnvoller Pfade von Benutzern zu Artikeln zu generieren. Insbesondere formulieren wir das Problem als sequentiellen Entscheidungsprozess, bei dem der Zielbenutzer als Anfangszustand definiert wird und die Kanten in den Graphen als Aktionen gelten. Wir gestalten die Belohnungen anhand bestehender state-of-the-art-Methoden (Stand der Technik) und trainieren dann eine Richtlinienfunktion mit Policy-Gradienten-Methoden (Richtliniengradientenmethoden). Experimentelle Ergebnisse auf drei realweltlichen Datensätzen zeigen, dass unser vorgeschlagener Ansatz nicht nur effektive Empfehlungen liefert, sondern auch gute Erklärungen bietet.