المتنبئات العصبية بالروابط مفيدة بشكل كبير في تحديد الحواف المفقودة في الرسوم البيانية للمعرفة على نطاق واسع. ومع ذلك، لا يزال غير واضح كيفية استخدام هذه النماذج للرد على الاستعلامات الأكثر تعقيدًا التي تنشأ في العديد من المجالات، مثل الاستعلامات التي تستخدم الترابط المنطقي (AND) ($\land$∧)، والاختيار المنطقي (OR) ($\lor$∨)، والمحدد الوجودي (EXISTS) ($\exists$∃)، مع مراعاة الحواف المفقودة. في هذا البحث، نقترح إطارًا لرد بفعالية على الاستعلامات المعقدة في الرسوم البيانية للمعرفة غير الكاملة. نقوم بترجمة كل استعلام إلى هدف قابل للتفاضل من البداية إلى النهاية، حيث يتم حساب قيمة الصدق لكل ذرة بواسطة متنبئ روابط عصبي مُدرب مسبقًا. ثم نحلل حلين لمشكلة الأمثلية، بما في ذلك البحث التدرجي والبحث التركيمي. في تجاربنا، أنتجت الطريقة المقترحة نتائج أكثر دقة من أفضل الأساليب المتاحة -- النماذج العصبية السوداء التي تم تدريبها على ملايين الاستعلامات المولدة -- دون الحاجة إلى التدريب على مجموعة كبيرة ومتنوعة من الاستعلامات المعقدة. باستخدام بيانات تدريب أقل بمرات عديدة، حققنا تحسينات نسبية تتراوح بين 8٪ و40٪ في ضربات@3 عبر مختلف الرسوم البيانية للمعرفة التي تحتوي على معلومات واقعية. وأخيرًا، نثبت أنه يمكن شرح نتيجة نموذجنا بناءً على الحلول الوسيطة المحددة لكل ذرة من ذرات الاستعلامات المعقدة. جميع كود المصدر والقواعد البيانات الخاصة بنا متاحة عبر الإنترنت، على الرابط https://github.com/uclnlp/cqd.