Wissensgraphen (KGs) sind entscheidend für die Wissensinferenz in verschiedenen Bereichen. Neuere Methoden zur Inferenz in Wissensgraphen, die sowohl globale als auch lokale Informationen integrieren, haben vielversprechende Ergebnisse erzielt. Allerdings leiden bestehende Methoden oft an einer Überglättung der Scores, die den Unterschied zwischen korrekten und inkorrekten Antworten verwischt und die Effektivität der Inferenz beeinträchtigt. Um dieses Problem zu lösen, schlagen wir DuetGraph vor, einen Wissensgraphen-Inferenzmechanismus mit dualer global-lokaler Fusion von grob zu fein. DuetGraph bekämpft die Überglättung, indem es die Verarbeitung lokaler (durch Nachrichtenübermittlung) und globaler (durch Aufmerksamkeit) Informationen in zwei getrennte Pfade aufteilt, wodurch gegenseitige Störungen verhindert und die repräsentative Unterscheidbarkeit erhalten wird. Zudem führt DuetGraph eine Optimierung von grob zu fein ein, bei der Entitäten in hoch- und niedrig bewertete Teilmengen unterteilt werden. Diese Strategie verkleinert den Kandidatenraum und verschärft den Score-Abstand zwischen den beiden Teilmengen, was die Überglättung lindert und die Inferenzqualität verbessert. Ausführliche Experimente auf verschiedenen Datensätzen zeigen, dass DuetGraph den aktuellen Stand der Technik (SOTA) erreicht, wobei es bis zu 8,7 % Verbesserung in der Inferenzqualität und eine 1,8-fache Beschleunigung der Trainings-effizienz erreicht.