ندرس مشكلة التعلم للتفكير في الرسوم البيانية للمعرفة على نطاق واسع (KGs). وبشكل أكثر تحديدًا، نصف إطارًا جديدًا للتعلم التعزيزي لتعلم المسارات العلائقية متعددة الخطوات: نستخدم وكيلًا يستند إلى السياسة مع حالات مستمرة تعتمد على تمثيلات الرسم البياني للمعرفة، والذي يفكر في فضاء متجهي للرسم البياني للمعرفة من خلال اختيار العلاقة الأكثر وعودًا بتوسيع مساره. على عكس الأعمال السابقة، يتضمن نهجنا دالة جائزة تأخذ الدقة والتنوع والكفاءة بعين الاعتبار. تجريبيًا، نظهر أن الطريقة المقترحة تتفوق على خوارزمية تصنيف المسارات وطرق تمثيلات الرسم البياني للمعرفة في مجموعتي بيانات Freebase وNever-Ending Language Learning.