الرد على الاستفسارات المعقدة في الرسوم البيانية للمعرفة غير الكاملة هو مهمة صعبة تتطلب من النموذج الإجابة على استفسارات منطقية معقدة في وجود معلومات ناقصة. قد اقترح الأدب السابق حل هذه المشكلة من خلال تصميم هياكلات تم تدريبها بشكل شامل للإجابة على الاستفسارات المعقدة، مع عملية استدلال صعبة الفهم وتحتاج إلى تدريب كثيف البيانات والمصادر. بينما اقترح خط بحث آخر إعادة استخدام متنبئات الروابط العصبية البسيطة للرد على الاستفسارات المعقدة، مما يقلل من كمية البيانات التدريبية بمراحل عديدة ويقدم إجابات قابلة للتفسير. ومع ذلك، فإن المتنبئ العصبي للروابط المستخدم في هذه الأساليب ليس مُحسَّنًا بشكل صريح لمهمة الإجابة على الاستفسارات المعقدة، مما يعني أن درجاته ليست مُعَيَّنةً لتعمل معًا بشكل فعال.نقترح حل هذه المشكلات عبر CQD$^{\mathcal{A}}$A، وهو نموذج \emph{تكيف} ذو كفاءة في المعلمات يتم تحسينه لإعادة ضبط درجات التنبؤ بالروابط العصبية لمهمة الإجابة على الاستفسارات المعقدة. بينما يتم تجميد المتنبئ العصبي للروابط، يتم تدريب الجزء المتكيف -- والذي يزيد عدد معلمات النموذج بنسبة $0.03\%$0.03% فقط -- على مهمة الإجابة على الاستفسارات المعقدة اللاحقة. بالإضافة إلى ذلك، يمكِّن الجزء المعايرنا من دعم الاستدلال على الاستفسارات التي تشمل الإنكار الذري (Atomic Negations)، وهو ما كان مستحيلاً سابقًا باستخدام متنبئات الروابط.في تجاربنا، أنتج CQD$^{\mathcal{A}}$A نتائج أكثر دقة بكثير من الطرق الحالية الأكثر تقدمًا، حيث ارتفعت قيم رتب الوسط المرتبتين المتبادلتان (Mean Reciprocal Rank) بمتوسط $35.1$35.1 مقابل $34.4$34.4 عبر جميع مجموعة البيانات وأنواع الاستفسارات باستخدام $\leq 30\%$≤30% فقط من أنواع الاستفسارات التدريبية المتاحة. كما أظهرنا أن CQD$^{\mathcal{A}}$A فعال في استخدام البيانات، حيث حقق نتائج تنافسية باستخدام $1\%$1% فقط من الاستفسارات المعقدة التدريبية، وأنه ثابت في التقييمات خارج المجال (Out-of-Domain Evaluations).