يهدف إكمال الرسم البياني للمعرفة (KGC) إلى اكتشاف العلاقات المفقودة بين الكيانات في الرسوم البيانية للمعرفة (KGs). تركز معظم الأبحاث السابقة في مجال KGC على تعلم التمثيلات المتجهية للكيانات والعلاقات من خلال دالة تقييم بسيطة. ومع ذلك، عادةً ما يتطلب مساحة تمثيلية ذات أبعاد أعلى قدرة استدلالية أفضل، مما يؤدي إلى حجم نموذج أكبر ويعرقل التطبيق في المشكلات الحقيقية (مثل الرسوم البيانية للمعرفة ذات الحجم الكبير أو الحوسبة المتنقلة/حواف). في هذا البحث، يتم اقتراح حل خفيف ومركب لإكمال الرسم البياني للمعرفة يُطلق عليه GreenKGC للتعامل مع هذه المشكلة. يتكون GreenKGC من ثلاثة وحدات: تعلم التمثيل، تقليم الخصائص، وتعلم القرار، لاستخراج الخصائص المميزة من الرسم البياني للمعرفة وإجراء تنبؤات دقيقة حول العلاقات المفقودة باستخدام تصنيفات والعينات السلبية. تظهر النتائج التجريبية أن GreenKGC يمكنه التفوق على الطرق الأكثر تقدمًا (SOTA) في معظم البيانات عند العمل بأبعاد منخفضة. بالإضافة إلى ذلك، يمكن لـ GreenKGC ذو الأبعاد المنخفضة تحقيق أداء تنافسي أو حتى أفضل مقارنة بالنماذج ذات الأبعاد العالية مع حجم نموذج أصغر بكثير.