Los modelos existentes de grafo de conocimiento (KG) para responder preguntas de sentido común presentan dos desafíos: (i) los métodos existentes recuperan entidades relacionadas con preguntas del grafo de conocimiento, lo que puede extraer ruido y nodos irrelevantes, y (ii) hay una falta de representación de interacción entre preguntas y entidades del grafo. Sin embargo, los métodos actuales se centran principalmente en recuperar entidades relevantes con algunos nodos ruidosos e irrelevantes. En este documento, proponemos un modelo de grafo de conocimiento mejorado con recuperación (RAKG), que resuelve los problemas anteriores utilizando dos innovaciones clave. Primero, aprovechamos la matriz de densidad para que el modelo razona a lo largo del camino de conocimiento corregido y extrae un subgrafo mejorado del grafo de conocimiento. Segundo, fusionamos representaciones de preguntas y entidades del grafo a través de una estrategia de atención bidireccional, en la que dos representaciones se fusionan y actualizan utilizando una red convolucional de grafos (GCN). Para evaluar el rendimiento de nuestro método, realizamos experimentos en dos conjuntos de datos de referencia ampliamente utilizados: CommonsenseQA y OpenBookQA. El estudio de caso ofrece información sobre el hallazgo de que el subgrafo mejorado proporciona razonamiento a lo largo del camino de conocimiento corregido para responder preguntas.