近年来，对话式推荐系统（Conversational Recommender Systems, CRS）引起了广泛关注。这类系统通过对话交互探索用户偏好，从而实现精准推荐。然而，现有CRS仍存在两大局限：（1）难以在背景知识上遍历多种推理路径，以引入相关物品及其属性；（2）在当前系统意图下，难以对所选实体进行合理排列，从而有效控制回复生成。为解决上述问题，本文提出CR-Walker模型，该模型在知识图谱上执行树状结构的推理，并生成具有信息量的对话行为（dialog acts），以指导自然语言生成。其独特的树状推理机制将每一步遍历的实体视为对话行为的一部分，从而建立实体选择与表达之间的紧密关联。自动评估与人工评估结果均表明，CR-Walker能够实现更准确的推荐，并生成更具信息量和互动性的对话回复。