摘要
近年来，训练具备推理能力的机器引起了越来越多的关注，而这一过程高度依赖于清晰、准确的线索表达形式。在现有研究中，线索通常被建模为与实体相关的知识。然而，这类以实体为中心的线索主要聚焦于常识性知识，难以满足需要临时事实或事件知识的任务需求，尤其是在阅读理解中的逻辑推理任务中表现不足。为应对这一挑战，我们提出从层次化角度同时涵盖常识性知识与临时性知识线索。具体而言，我们通过提取句子中的核心构成成分（如主谓宾结构所形成的“事实”）来构建一种通用的知识单元形式化框架。在此基础上，我们进一步构建了一个超图结构，以实现句级交互（事实组之间的关系）与实体级交互（单个事实中的概念或动作）的协同建模。在逻辑推理基准数据集及对话建模数据集上的实验结果表明，所提方法显著优于现有基线模型，且在不同主干模型上均表现出良好的泛化能力。相关代码已公开，地址为：\url{https://github.com/ozyyshr/FocalReasoner}。