Konversationelle Empfehlungssysteme (Conversational Recommender Systems, CRS) zielen darauf ab, in Gesprächen hochwertige Empfehlungen bereitzustellen. Allerdings konzentrieren sich die meisten herkömmlichen CRS-Modelle hauptsächlich auf die Verständnisfähigkeit des aktuellen Gesprächs, wobei sie andere reichhaltige, mehrdimensionale Informationen über die zentralen Subjekte (d. h. die Nutzer) in der Empfehlung außer Acht lassen. In dieser Arbeit betonen wir, dass sowohl die historischen Gesprächssitzungen des Nutzers als auch ähnliche Nutzer entscheidende Quellen für die Erfassung von Nutzerpräferenzen sind, zusätzlich zu den aktuellen Gesprächsinhalten im CRS. Um die mehrdimensionalen Informationen systematisch zu modellieren, schlagen wir ein nutzerzentriertes konversationelles Empfehlungssystem (User-Centric Conversational Recommendation, UCCR) vor, das sich wieder der Essenz der Nutzerpräferenz-Lernung in CRS-Aufgaben widmet. Konkret stellen wir einen Lerner für historische Sitzungen vor, der die mehrdimensionalen Präferenzen der Nutzer aus wissensbasierten, semantischen und konsumbezogenen Perspektiven erfasst, um die aktuellen Präferenzsignale zu ergänzen. Außerdem implementieren wir einen mehrdimensionalen Präferenz-Abbildner, der die inhärenten Korrelationen zwischen verschiedenen Perspektiven in aktuellen und historischen Sitzungen über selbstüberwachte Ziele erlernt. Darüber hinaus entwerfen wir einen zeitlichen Look-Alike-Nutzer-Selektor, um Nutzer durch deren ähnliche Nutzer besser zu verstehen. Die so erlernten mehrdimensionalen, mehrperspektivischen Nutzerpräferenzen werden anschließend für die Empfehlung und die Generierung von Dialogen eingesetzt. In Experimenten führen wir umfassende Bewertungen an sowohl chinesischen als auch englischen CRS-Datensätzen durch. Die signifikanten Verbesserungen gegenüber konkurrierenden Modellen sowohl in der Empfehlungs- als auch in der Dialoggenerierung bestätigen die Überlegenheit des UCCR-Modells.