إجابة الأسئلة باستخدام الرسوم المعرفية (KGQA) تتضمن استرجاع الكيانات كإجابات من رسم معرفي (KG) باستخدام استعلامات بلغة طبيعية. يكمن التحدي في تعلُّم الاستدلال على الحقائق المرتبطة بالسؤال في الرسم المعرفي، والتي تتضمن تنقلًا بين الكيانات في الرسم المعرفي للوصول إلى الإجابة. لتسهيل الاستدلال، يتم تفكيك السؤال إلى تعليمات، وهي تمثيلات مكثفة للسؤال تُستخدم لتوجيه عمليات التنقل في الرسم المعرفي. ومع ذلك، إذا لم تتطابق هذه التعليمات المستمدة تمامًا مع المعلومات الكامنة في الرسم المعرفي، فقد تؤدي إلى استدلال في سياق غير ذي صلة. يُقدِّم منهجنا، المُسمَّى ReaRev، طريقة جديدة لاستدلال KGQA من حيث تفكيك التعليمات وتنفيذها. ولتحسين تفكيك التعليمات، نُطبِّق الاستدلال بطريقة تكيفية، حيث تُستخدم معلومات مُتَوَقِّعة للرسم المعرفي لتحديث التعليمات الأولية بشكل تكراري. ولتحسين تنفيذ التعليمات، نُقلِّد استراتيجية البحث على العرض الواسع (BFS) باستخدام الشبكات العصبية الرسومية (GNNs). وتُعامل استراتيجية BFS التعليمات كمجموعة، مما يسمح لمنهجنا باتخاذ قرار بشأن ترتيب تنفيذها في الوقت الفعلي. تُظهر النتائج التجريبية على ثلاث معايير لـ KGQA فعالية ReaRev مقارنة بالحلول الرائدة السابقة، خصوصًا عندما يكون الرسم المعرفي غير مكتملًا أو عند التعامل مع أسئلة معقدة. يُتاح الكود الخاص بنا للجمهور عبر الرابط: https://github.com/cmavro/ReaRev_KGQA.