常识推理旨在赋予机器人类在日常生活中对普通情境做出假设的能力。本文提出了一种用于回答常识问题的文本推理框架，该框架能够有效地利用外部结构化的常识知识图谱进行可解释的推理。该框架首先将问题-答案对从语义空间映射到基于知识的符号空间，形成一个模式图，即外部知识图谱的相关子图。它使用一种名为KagNet（Knowledge-aware Graph Network）的新颖的知识感知图网络模块来表示模式图，并最终通过图表示对答案进行评分。我们的模型基于图卷积网络和长短期记忆网络（LSTM），并采用了分层路径注意力机制。中间的注意力得分使得模型具有透明性和可解释性，从而产生可信的推理结果。仅使用ConceptNet作为外部资源，我们在Bert基础模型上实现了在大规模常识推理数据集CommonsenseQA上的最先进性能。