نُقدّم نموذج KGT5-context، وهو نموذج بسيط يعتمد على التحويل التسلسلي (sequence-to-sequence) للتنبؤ بالروابط (Link Prediction) في الرسوم المعرفية (Knowledge Graphs). تعتمد دراستنا على نموذج KGT5، وهو نموذج حديث للتنبؤ بالروابط يستفيد من السمات النصية للرسم المعرفي، ويتميز بحجم نموذج صغير وقابلية للتوسع. ومع ذلك، يعتمد نموذج KGT5 لتحقيق أداء تنبؤي جيد على تجميع (Ensemble) مع نموذج تعبئة الرسم المعرفي (Knowledge Graph Embedding - KGE)، والذي بحد ذاته كبير جدًا ويُعدّ مكلفًا في الاستخدام. في هذه الورقة الموجزة، نُظهر تجريبيًا أن إضافة معلومات سياقية — أي معلومات عن الجيران المباشرين للكيان المُستعلم — تُقلل الحاجة إلى نموذج KGE منفصل للحصول على أداء جيد. ويُعد النموذج الناتج، KGT5-context، بسيطًا، ويقلل بشكل كبير من حجم النموذج، ويحقق أداءً من الدرجة الأولى (state-of-the-art) في دراستنا التجريبية.