لقد استفادت التمثيلات التعلُّمية (embeddings) للعُقد والعلاقات في الرسوم المعرفية (KG) من العديد من المهام التالية. في السنوات الأخيرة، تم تصميم دوال التقييم، التي تمثل العمود الفقري لتعلم الرسوم المعرفية، يدويًا لقياس معقولية الأزواج الثلاثية وفهم أنماط مختلفة من العلاقات في الرسوم المعرفية. ومع ذلك، نظرًا لأن العلاقات تُظهر أنماطًا معقدة يصعب استخلاصها مسبقًا قبل التدريب، فإن أيًا من هذه الدوال لا يحقق الأداء الأفضل بشكل متسق في المهام القياسية. في هذه الورقة، مستوحاة من النجاح الأخير في التعلم الآلي التلقائي (AutoML)، نقوم ببحث عن دوال تقييم ثنائية الخطية (bilinear scoring functions) لمهام مختلفة في الرسوم المعرفية باستخدام تقنيات AutoML. ومع ذلك، فإن استكشاف المعلومات المحددة بالمنطقة (domain-specific information) في هذا السياق ليس أمرًا سهلاً. نبدأ بتحديد فضاء بحث (search space) لـ AutoBLM من خلال تحليل الدوال التقييمية الحالية. ثم نقترح خوارزمية متقدمة (AutoBLM) وخوارزمية تطورية (AutoBLM+)، والتي تُسرع بشكل أكبر باستخدام مرشح (filter) ومحرّك تنبؤي (predictor) للتعامل مع الخصائص المحددة بالمنطقة في تعلم الرسوم المعرفية. وأخيرًا، نُجري تجارب واسعة على معايير معيارية في مهام استكمال الرسوم المعرفية، واستفسارات متعددة الخطوات (multi-hop query)، وتصنيف الكيانات. تُظهر النتائج التجريبية أن الدوال التقييمية التي تم اكتشافها تعتمد على الرسوم المعرفية، وهي جديدة في الأدبيات، وتفوق الدوال التقييمية الحالية. كما أن AutoBLM+ يتفوّق على AutoBLM لأن الخوارزمية التطورية قادرة على استكشاف هياكل أفضل بذكاء ضمن نفس الميزانية الحسابية.