الاستدلال متعدد الخطوات على الرسوم البيانية للمعرفة (KG) هو طريقة فعّالة وقابلة للتفسير لتنبؤ الكيان المستهدف عبر مسارات الاستدلال في مهمة الإجابة على الاستعلامات (QA). تفترض معظم الطرق السابقة أن كل علاقة في الرسوم البيانية للمعرفة لديها عدد كافٍ من ثلاثيات التدريب، دون مراعاة العلاقات ذات النماذج القليلة التي لا تستطيع توفير ثلاثيات كافية للتدريب على نماذج استدلال قوية. في الواقع، تنخفض أداء الطرق الحالية للاستدلال متعدد الخطوات بشكل كبير عند التعامل مع العلاقات ذات النماذج القليلة. في هذا البحث، نقترح طريقة استدلال متعدد الخطوات مستندة إلى التعلم الميتا (Meta-KGR)، والتي تعتمد على التعلم الميتا لتعلم المعلمات الميتا الفعّالة من العلاقات ذات التكرار العالي التي يمكنها التكيف بسرعة مع العلاقات ذات النماذج القليلة. قمنا بتقييم Meta-KGR على مجموعتين من البيانات عامتين تم اختيارهما من Freebase و NELL، وأظهرت نتائج التجارب أن Meta-KGR يتفوق على الطرق الأكثر تقدماً حاليًا في سيناريوهات النماذج القليلة. يمكن الحصول على شفرتنا ومجموعات البيانات الخاصة بنا من https://github.com/THU-KEG/MetaKGR.