يتمحور إكمال الرسم المعرفي (KGC) حول ملء الثلثيات المفقودة في الرسم المعرفي باستخدام المعلومات المتاحة. تواجه الطرق القائمة على النص، التي تعتمد على الوصف النصي للثلثيات، صعوبات متكررة عندما يفتقر هذا الوصف إلى معلومات كافية لإجراء تنبؤ دقيق—مشكلة متأصلة في المجموعات البيانات، ولا يمكن حلها بسهولة من خلال النمذجة وحدها. لمعالجة هذه المشكلة وضمان اتساق البيانات، نستخدم أولاً نماذج اللغة الكبيرة (LLMs) لإنشاء وصف متماسك، مما يسد الفجوة الدلالية بين الاستفسارات والإجابات. ثانيًا، نستفيد من العلاقات العكسية لتكوين رسم متماثل، مما يوفر عينات تدريب موسعة لـ KGC. علاوةً على ذلك، نستخدم المعلومات الخاصة بالعلامات المضمنة في الرسوم المعرفية (KGs) لتعزيز الإطار التمييزي الحالي، مما يجعله مراقبًا بالكامل. وقد أدى هذا الجهد إلى تحسينات كبيرة في الأداء على مجموعتي البيانات WN18RR وFB15k-237. وفقًا للمعايير التقييمية القياسية، حققنا تحسنًا بنسبة 4.2٪ في مؤشر Hit@1 على WN18RR، وتحسينًا بنسبة 3.4٪ في مؤشر Hit@3 على FB15k-237، مما يدل على أداء متميز.