Les systèmes de recommandation top-N sont utilisés dans de nombreux domaines et intéressent autant les industriels que les chercheurs. Alors que l'amélioration de la prédiction de la pertinence des recommandations a fait l'objet de nombreuses recherches, d'autres facettes du problème comme la diversité ou l'explicabilité ont été moins abordées. Dans cet article, nous proposons une approche permettant d'améliorer la diversité tout en assurant un compromis avec la pertinence. Notre approche, DivKG, combine des graphes de connaissances et des Processus Ponctuels Déterminantaux (DPP). Les relations entre utilisateurs, items et autres entités, capturées par un graphe de connaissances, sont représentées via des plongements de graphes. Les vecteurs obtenus sont utilisés pour construire la matrice noyau des DPP, qui génèrent des recommandations diversifiées. Notre approche obtient de meilleurs résultats que l'état de l'art sur un jeu de données de recommandation de films. Cet article est un résumé en français de Gan et al. (2020), article court de la conférence SIGIR 2020.