摘要
知识图谱（KGs）在实现跨领域的知识推理方面发挥着至关重要的作用。近年来，结合全局和局部信息的知识图谱推理方法取得了令人鼓舞的成果。然而，现有的方法通常会遭受评分过度平滑的问题，这模糊了正确答案与错误答案之间的界限，阻碍了推理的有效性。为了解决这一问题，我们提出了一种名为DuetGraph的粗到精知识图谱推理机制，该机制采用了双路径全局-局部融合的方法。DuetGraph通过分离而不是堆叠局部（通过消息传递）和全局（通过注意力机制）信息的处理过程，将其分别置于两条不同的路径中，从而防止相互干扰并保持表示的区分度。此外，DuetGraph引入了一种粗到精的优化策略，将实体划分为高分和低分子集。这种策略缩小了候选空间，并加大了两个子集之间的评分差距，从而缓解了过度平滑问题并提高了推理质量。广泛的实验表明，在多个数据集上，DuetGraph实现了最先进的（SOTA）性能，在推理质量上最高提升了8.7%，训练效率提高了1.8倍。