目前,人们可以使用各种通讯媒介在互联网上发布和搜索信息,这在体现信息开放性的同时也导致大量信息在互联网上肆意传播,其中不乏各种来源难以确定的谣言信息。这些谣言信息的不断传播对社会公信造成许多负面影响。对此,事实验证任务旨在提供一个自动化的验证系统,对给定的事实声明进行判断,并给出“支持”、“反对”、“信息不足”判断结果,从而对互联网信息进行可信性验证。为解决事实验证任务,模型应具有良好的信息检索和语料选择能力,从而为后续事实判定提供信息量充分的数据输入。事实判定模型还应能够在语料集合中进行充分的信息传递和推理,并采用细粒度策略等手段提升模型效果。此外,在此过程需要对信息加以识别,从而使推理过程更关注关键信息,忽略噪声信息。现有模型往往仅关注上述要求中的一部分,从而导致次优效果并欠缺泛化能力。对此,提出一种键-值（key-value,k-v）级别推理能力的层次化图注意力模型HGAR。HGAR使用全连接的图结构在语料之间进行信息传递和推理;图注意力机制的引入使得在每次信息传递时,都能够区分关键信息与噪声信息;k-v级别的细粒度推理层将进一步提升模型性能。HGAR在每层引入池化机制,既能够在不影响模型性能的情况下减少模型参数,也能够进一步从图中筛除信息噪声。在FEVER数据集上进行充分的实验,实验结果能够表明HGAR的有效性。此外,还通过设计完善的消融实验验证了模型各模块在解决事实验证任务时发挥的效果。