Konversative Empfehlungssysteme (CRS) zielen darauf ab, Nutzern durch interaktive Gespräche hochwertige Artikel zu empfehlen. Obwohl bereits mehrere Ansätze zur Entwicklung von CRS unternommen wurden, bestehen zwei zentrale Probleme weiterhin ungelöst. Erstens fehlt es den Gesprächsdaten an ausreichender kontextueller Information, um die Präferenzen der Nutzer präzise zu erfassen. Zweitens besteht eine semantische Lücke zwischen der natürlichen Sprache, wie sie in Gesprächen verwendet wird, und den itembasierten Nutzerpräferenzen. Um diese Herausforderungen zu bewältigen, integrieren wir sowohl wortorientierte als auch entitätsorientierte Wissensgraphen (KG), um die Datenrepräsentationen in CRS zu verbessern, und nutzen die Maximierung der gegenseitigen Information, um die semantischen Räume auf Wort- und EntitätsEbene zu alignieren. Auf Basis der ausgerichteten semantischen Darstellungen entwickeln wir zudem eine KG-erweiterte Empfehlungskomponente zur präzisen Empfehlung sowie eine KG-erweiterte Dialogkomponente, die in der Lage ist, informative Schlüsselwörter oder Entitäten im Antworttext zu generieren. Umfassende Experimente belegen die Wirksamkeit unseres Ansatzes hinsichtlich einer verbesserten Leistung sowohl bei der Empfehlung als auch bei der Dialogaufgabe.