知識圖譜推理（Knowledge Graph Reasoning）是人工智能的重要組成部分，在問答系統(tǒng)、推薦系統(tǒng)、語義檢索和知識增強大模型等場景中具有廣泛應用。

然而，隨著知識圖譜規(guī)模的爆炸式增長，現(xiàn)有推理方法在計算效率、模型表達能力和泛化能力方面面臨巨大挑戰(zhàn)。

現(xiàn)有知識圖譜推理方法主要存在以下三類問題：

• 推理效率低：隨著知識圖譜實體規(guī)模增長，候選實體空間極速膨脹，導致推理階段計算成本急劇上升；
• 表達能力不足：輕量級嵌入模型雖計算高效，但難以捕捉多跳關(guān)系和高階語義結(jié)構(gòu)；
• 過平滑問題突出：基于全局注意力或深層GNN的方法容易在圖上過度聚合信息，導致表示不具判別力（如圖1所示）。

這些瓶頸嚴重限制了知識圖譜推理在真實大規(guī)模場景中的落地。

圖1 知識圖譜推理模型區(qū)分能力對比

為此，中科大研究團隊在NeurIPS 2025上提出了DuetGraph：一種雙階段粗到細推理框架，并創(chuàng)新性地引入了Dual-Pathway Global-Local Fusion Model（雙通路全局-局部特征融合模型）。

論文鏈接：https://arxiv.org/pdf/2507.11229

代碼鏈接：https://github.com/USTC-DataDarknessLab/DuetGraph.git

DuetGraph在推理精度與推理效率之間實現(xiàn)了新的平衡，為高效大規(guī)模知識推理提供了可落地的系統(tǒng)性解決方案。

DuetGraph解決方案

粗到細的協(xié)同推理

DuetGraph的核心思想是將推理拆分為粗粒度召回和細粒度精排兩個階段，在候選空間和模型表達能力之間取得平衡：

1. 粗粒度階段（Coarse Reasoning）使用高效的知識圖譜嵌入模型在全圖范圍內(nèi)進行快速推理，召回一小部分高概率候選實體，從而大幅縮小搜索空間。
2. 細粒度階段（Fine Reasoning）對召回的候選實體使用更具表達力的推理模型進行高質(zhì)量排序，實現(xiàn)復雜推理路徑的精準捕捉。

這種兩階段的Coarse-to-Fine架構(gòu)，將原本不可承受的全圖精排，轉(zhuǎn)化為在小規(guī)模候選集上的高效精排，使得性能與計算成本得到兼顧。

雙通路全局-局部特征融合模型

在細粒度推理階段，DuetGraph并未簡單采用傳統(tǒng)的單一的Transformer和GNN路徑，而是設(shè)計了一個創(chuàng)新的雙通路架構(gòu)：

• Local-Pathway：利用圖神經(jīng)網(wǎng)絡(luò)（GNN）建模局部結(jié)構(gòu)信息，捕捉實體之間的鄰域交互模式，強調(diào)局部語義一致性；
• Global-Pathway：采用Transformer的全局注意力機制捕捉全局結(jié)構(gòu)依賴，挖掘長距離、多跳推理路徑信息。

為了避免簡單拼接帶來的信息冗余和過平滑，DuetGraph引入了Adaptive Fusion 模塊，通過一個自適應參數(shù)α在局部路徑與全局路徑之間進行動態(tài)加權(quán)，實現(xiàn)：

其中α可在訓練過程中自動學習，適應不同關(guān)系模式和上下文復雜度。這一機制兼具局部魯棒性與全局表達能力，使 DuetGraph在復雜推理任務(wù)中具有更強的泛化性。

圖 2 DuetGraph框架示意圖

理論分析

在知識圖譜推理中，過平滑（over-smoothing） 是影響推理精度的核心瓶頸之一。

隨著傳播層數(shù)增加，實體的表示逐漸趨同，正確答案與干擾實體之間的得分差距被快速抹平，從而導致模型的判別能力下降。

DuetGraph 在理論設(shè)計上，通過雙通路全局-局部特征融合（Dual-Pathway Global-Local Fusion）和粗到細推理（Coarse-to-Fine Reasoning），在結(jié)構(gòu)上減緩了得分收斂速度，并在推理過程中放大了正確與錯誤實體的得分差距，從而顯著緩解過平滑問題。

雙通路融合：從結(jié)構(gòu)上減緩過平滑

傳統(tǒng)單通路模型通常將GNN和Transformer串聯(lián)，會導致特征經(jīng)過多層傳播后快速趨同，使得實體得分的上界以指數(shù)形式收斂。

DuetGraph將推理分解為局部路徑（Local Pathway）和全局路徑（Global Pathway），并通過自適應融合參數(shù)α對兩路輸出進行動態(tài)加權(quán)。

從理論上來看，模型中得分差距的收斂速度與其特征傳播矩陣的最大奇異值（σ(max)）直接相關(guān)。

• 單路徑模型的傳播矩陣較小, 因此得分差異在多層傳播后被迅速壓縮；
  
  
• 雙通路模型的傳播矩陣，由于引入了包含α的加權(quán)融合機制，其理論上界顯著大于單路徑模型，即
  
  

在實際訓練過程中，α的取值始終處于穩(wěn)定且合理的范圍，使得該不等式始終成立，即

這意味著在相同傳播深度下，雙通路模型的得分差距上界下降得更慢，模型更不容易陷入過平滑狀態(tài)。 

換句話說，DuetGraph在模型結(jié)構(gòu)層面天然具備抗過平滑能力，即便在大規(guī)模圖和多跳推理場景中，也能保持對實體間差異的敏感性。

粗到細推理：放大得分差距，增強判別力

除了結(jié)構(gòu)上的改進，DuetGraph在推理過程中進一步引入粗粒度 + 細粒度的兩階段策略。 

在粗粒度階段，模型首先利用輕量級推理機制快速篩選出一小部分高概率候選實體，并劃分為高分子集與低分子集； 

在細粒度階段，對兩個子集分別使用雙通路模型精排，并通過設(shè)定閾值Δ來動態(tài)選擇最優(yōu)答案。

理論推導表明，由于低分子集的規(guī)模遠大于高分子集，二者得分的期望差值滿足：

其中σ為實體得分的標準差。

在實際數(shù)據(jù)集（如FB15k-237）上，的比例可超過1000，因此兩者的得分下界差值可達0.1σ以上，而傳統(tǒng)單階段推理的得分差距通常不足0.02σ這種顯著的得分差距放大，使模型在最終決策時擁有更加清晰的判斷邊界，從而有效提高正確實體的命中率P：

實驗評估

在多個大規(guī)模知識圖譜基準數(shù)據(jù)集上對DuetGraph進行了系統(tǒng)評估，涵蓋Transductive與Inductive兩類推理場景。

結(jié)果表明，DuetGraph取得了顯著性能提升：

• 推理質(zhì)量：在Transductive場景中，DuetGraph在Hits@K和MRR等指標上全面超越Baseline模型，充分彰顯了其卓越的推理質(zhì)量與精確性。
  

• 泛化能力：在更具挑戰(zhàn)性的Inductive場景中，DuetGraph的表現(xiàn)進一步領(lǐng)先于其他Baseline方法，凸顯了其在未見三元組上的強大泛化能力與穩(wěn)健性。
  
  

• 推理效率與可擴展性：無論是在訓練階段還是在超大規(guī)模知識圖譜上的推理階段，DuetGraph都表現(xiàn)出顯著的時間優(yōu)勢，充分驗證了其高效的推理能力和良好的大規(guī)模數(shù)據(jù)可擴展性。
• 魯棒性：當更換了不同的粗粒度模型后，DuetGraph依然能夠保持SOTA的性能，充分體現(xiàn)了其出色的魯棒性與穩(wěn)定性。
  

• 通用性：DuetGraph不僅在知識圖譜補全任務(wù)中表現(xiàn)優(yōu)異，在三元組分類等其他知識圖譜任務(wù)上同樣展現(xiàn)出出色的性能，體現(xiàn)了其良好的任務(wù)適應性與廣泛適用性。
  

未來展望

靈活模型組合：DuetGraph框架支持在保持細粒度模型不變的前提下靈活更換粗粒度模型，從而適配不同的任務(wù)場景與應用需求。

與LLM融合：未來將探索將DuetGraph與大語言模型結(jié)合，提升結(jié)構(gòu)化知識推理能力；

真實場景落地：在推薦、搜索、金融風控、問答等高復雜度推理任務(wù)中具有巨大潛力。