تنطوي مهمة توقع الروابط في الرسم المعرفي (KG) على استنتاج حقائق جديدة بناءً على الحقائق الموجودة مسبقًا في الرسم. أظهرت الدراسات الحديثة أن استخدام الجوار الرسمي للعقدة من خلال الشبكات العصبية الرسومية (GNNs) يوفر معلومات أكثر فائدة مقارنةً باستخدام معلومات الاستعلام فقط. تتبع GNNs التقليدية لتنبؤ الروابط في الرسم المعرفي المنهج القياسي لنقل الرسائل على كامل الرسم، مما يؤدي إلى حسابات زائدة، وتشويش مفرط في تمثيلات العقد، كما يحد من قدرتها التعبيرية. ومع التوسع الكبير في الحجم، يصبح جمع المعلومات المفيدة من كامل الرسم المعرفي لغرض الاستنتاج مكلفًا من الناحية الحسابية. ولحل القيود المفروضة على الإطارات الحالية لتنبؤ الروابط في الرسم المعرفي، نقترح إطارًا جديدًا يُسمى "استرجاع وقراءة" (retrieve-and-read)، يبدأ باسترجاع سياق فرعي ذي صلة بالاستعلام، ثم يُجري استنتاجًا مشتركًا على هذا السياق والاستعلام باستخدام قارئ قوي القدرة. كجزء من تطبيقنا التجريبي لهذا الإطار الجديد، نقترح GNN جديدًا مبنيًا على المُحَوِّل (Transformer)، يُستخدم كقارئ، يدمج بنية انتباه قائمة على الرسم مع انتباه متقاطع بين الاستعلام والسياق لتحقيق دمج عميق. ويُمكن لهذا التصميم البسيط ولكنه الفعّال النموذج من التركيز على المعلومات المميزة في السياق ذات الصلة بالاستعلام. وتوحي النتائج التجريبية على مجموعتي بيانات قياسيتين لتنبؤ الروابط في الرسم المعرفي بأداء منافس للطريقة المقترحة. علاوةً على ذلك، تُقدِّم تحليلاتنا رؤى قيمة لتصميم مُسترجِعات محسّنة ضمن هذا الإطار.