In den letzten Jahren hat sich ein wachsendes Interesse an conversationalen Empfehlungssystemen (Conversational Recommender Systems, CRS) entwickelt, die durch konversationelle Interaktionen das Nutzerpräferenzen erfassen, um gezielte Empfehlungen zu geben. Dennoch fehlt bestehenden CRS bisher die Fähigkeit, (1) mehrere Schlussfolgerungspfade über Hintergrundwissen zu durchlaufen, um relevante Artikel und deren Attribute einzuführen, und (2) ausgewählte Entitäten angemessen im Kontext aktueller Systemabsichten zu ordnen, um die Generierung von Antworten zu steuern. Um diese Probleme anzugehen, stellen wir in diesem Artikel CR-Walker vor – ein Modell, das baumartige Schlussfolgerungen in einem Wissensgraphen durchführt und informative Dialogakte generiert, um die Sprachgenerierung zu leiten. Das einzigartige Konzept der baumartigen Schlussfolgerung betrachtet die in jeder Phase durchlaufenen Entitäten als Bestandteil der Dialogakte, um so die Verbindung zwischen der Auswahl und der sprachlichen Ausformulierung von Entitäten zu stärken. Automatisierte und menschliche Bewertungen zeigen, dass CR-Walker genauere Empfehlungen liefern und informativere sowie ansprechendere Antworten generieren kann.