对话式推荐系统（Conversational Recommender Systems, CRS）旨在通过交互式对话为用户提供高质量的推荐内容。尽管已有诸多研究致力于CRS的发展，但仍存在两个关键问题亟待解决：其一，对话数据本身缺乏足够的上下文信息，难以准确理解用户的偏好；其二，自然语言表达与物品层面的用户偏好之间存在语义鸿沟。为应对上述挑战，本文融合了以词汇为中心和以实体为中心的知识图谱（Knowledge Graph, KG），以增强CRS中的数据表征能力，并采用互信息最大化（Mutual Information Maximization）方法，实现词汇层级与实体层级语义空间的对齐。基于对齐后的语义表示，我们进一步构建了两种增强组件：一是基于知识图谱的推荐组件，用于提升推荐的准确性；二是基于知识图谱的对话组件，能够生成具有信息量的关键词或实体，丰富响应文本的内容。大量实验结果表明，所提出的方法在推荐与对话任务上均取得了显著优于现有方法的性能表现。