تمثيل الرسوم المعرفية (KGE) نماذج تمثيل كل كيان وعلاقة في رسم معرفي (KG) باستخدام متجهات تمثيل منخفضة الأبعاد. وقد تم تطبيق هذه الطرق مؤخرًا في توقع الروابط في الرسوم المعرفية (KG link prediction) والإجابة على الأسئلة في الرسوم المعرفية غير الكاملة (KGQA). عادةً ما تُنشئ نماذج KGE تمثيلًا متجهيًا لكل كيان في الرسم، مما يؤدي إلى حجم نموذج كبير جدًا في الرسوم الحقيقية التي تحتوي على ملايين الكيانات. وللوظائف اللاحقة، غالبًا ما تحتاج هذه التمثيلات الأساسية للكيانات إلى دمجها في سلسلة متعددة المراحل، ما يحد من فعاليتها. نُظهر أن نموذج مُشفّر-مُفكّك (encoder-decoder) من نوع Transformer جاهز للاستخدام يمكنه أن يُعدّ نموذج KGE قابلاً للتوسع ومتعدد الاستخدامات، ويحقق نتائج متقدمة على مستوى الحالة (state-of-the-art) في توقع الروابط في الرسوم المعرفية والإجابة على الأسئلة في الرسوم غير الكاملة. نحقق ذلك من خلال صياغة مسألة توقع الروابط في الرسوم المعرفية كمهمة تسلسل إلى تسلسل، ونستبدل نهج التقييم المبني على التصنيف الثلاثي (triple scoring) الذي استخدمه النماذج السابقة بعملية تشفير تتابعي (autoregressive decoding). يقلل هذا النهج البسيط ولكنه قوي من حجم النموذج بنسبة تصل إلى 98% مقارنةً بالنماذج التقليدية لـ KGE، مع الحفاظ على زمن الاستدلال قابلاً للإدارة. وبعد تدريب النموذج المُعدّل (fine-tuning) على مهمة KGQA في الرسوم غير الكاملة، يتفوق أسلوبنا على النماذج الأساسية (baselines) في عدة مجموعات بيانات كبيرة دون الحاجة إلى ضبط معلمات فائقة مكثفة.