Les systèmes de recommandation conversationnels (CRS) visent à recommander des articles de haute qualité aux utilisateurs au travers de conversations interactives. Bien que plusieurs efforts aient été déployés dans ce domaine, deux problèmes majeurs persistent. Premièrement, les données de conversation elles-mêmes manquent de contexte suffisant pour comprendre précisément les préférences des utilisateurs. Deuxièmement, un écart sémantique existe entre l'expression en langage naturel et les préférences des utilisateurs au niveau des articles. Pour relever ces défis, nous intégrons à la fois des graphes de connaissances orientés mots et orientés entités (KG) afin d’enrichir les représentations des données dans les CRS, et adoptons une stratégie de maximisation de l’information mutuelle pour aligner les espaces sémantiques au niveau des mots et au niveau des entités. Sur la base de ces représentations sémantiques alignées, nous développons par la suite un composant de recommandation amélioré par les graphes de connaissances, capable de produire des recommandations précises, ainsi qu’un composant de dialogue également renforcé par les KG, capable de générer des mots-clés ou entités informatifs dans les réponses. Des expériences étendues démontrent l’efficacité de notre approche, qui permet d’obtenir de meilleures performances tant sur les tâches de recommandation que sur celles de conversation.