近年、機械に推論能力を学習させる取り組みが注目を集めている。このような推論能力の実現には、正確かつ明確に提示された手がかり（clue）の形式が極めて重要である。従来の研究では、手がかりが主にエンティティに依存する知識としてモデル化されてきた。しかしながら、こうしたエンティティ依存的手がかりは主に常識（commonsense）に焦点を当てており、特に読解理解における論理的推論を要するタスクにおいて、一時的な事実や出来事に関する知識を十分に捉えるには不十分である。この課題に応えるために、本研究では常識的知識と一時的知識の両方を階層的にカバーするアプローチを提案する。具体的には、文の骨格構成要素（例えば主語-動詞-目的語で構成される「事実」）を抽出することで、一般化された知識単位（knowledge unit）の形式を定式化する。さらに、こうした事実単位の上にスーパーグラフ（supergraph）を構築し、文レベルの関係（事実群間の関係）とエンティティレベルの相互作用（事実内部の概念や行動）の両方を効果的に捉えることを可能にする。論理的推論ベンチマークおよび対話モデリングデータセットにおける実験結果から、本手法はベースラインを顕著に上回り、バックボーンモデルに対して汎用性を有することが示された。実装コードは以下のURLから公開されている：\url{https://github.com/ozyyshr/FocalReasoner}。