Bien que les chemins de déplacement des intérêts des utilisateurs dans les graphes de connaissances (KG) puissent bénéficier aux systèmes de recommandation conversationnels (CRS), le raisonnement explicite sur les KG n’a pas été suffisamment exploré dans les CRS, en raison de la complexité des chemins d’ordre supérieur et de leur incomplétude. Nous proposons CRFR, un modèle qui réalise efficacement un raisonnement explicite à plusieurs sauts sur les KG grâce à un cadre d’apprentissage par renforcement basé sur le contexte conversationnel. En tenant compte de l’incomplétude des KG, au lieu d’apprendre un unique chemin complet de raisonnement, CRFR apprend de manière flexible plusieurs fragments de raisonnement susceptibles d’être inclus dans les chemins complets correspondant aux déplacements d’intérêts. Un modèle unifié sensible aux fragments est ensuite conçu pour fusionner les informations provenant à la fois des KG orientés vers les objets et des KG orientés vers les concepts, afin d’enrichir les réponses du CRS par des entités et des mots extraits des fragments. Des expériences étendues démontrent que CRFR atteint des performances SOTA en recommandation, en conversation et en interprétabilité conversationnelle.