تحتوي الرسوم البيانية للمعرفة على كمية كبيرة من المعرفة الواقعية التي يمكن أن تُوفّر دعماً قوياً للتطبيقات الذكية الاصطناعية. وقد تم تحقيق تقدم كبير في إكمال الرسوم البيانية للمعرفة، حيث تعتمد النماذج المتطورة حديثاً على الشبكات العصبية التلافيفية الرسومية (GCNs). تُستخرج هذه النماذج الميزات تلقائياً، وعند دمجها مع ميزات نموذج الرسم البياني، تُولّد تمثيلات مميزة قوية القدرة على التعبير. ومع ذلك، فإن هذه الطرق تُعطي نفس الوزن لجميع المسارات المتعلقة في الرسم البياني للمعرفة، وتتجاهل المعلومات الغنية المقدمة من العقد المجاورة، ما يؤدي إلى استغلال غير كافٍ لخصائص الثلاثيات (الثلاثات). ولحل هذه المشكلة، نقترح نموذجاً تمثيلياً جديداً يُسمى الشبكات العصبية للانتباه المُضعف (GAATs)، والذي يدمج آلية انتباه مُضعف لتعيين أوزان مختلفة على المسارات المختلفة المتعلقة، والحصول على المعلومات من البيئة المحيطة. وبذلك، يمكن تعلّم الكيانات والعلاقات من أي عقد مجاورة. تُقدّم الدراسات التجريبية رؤى حول فعالية النماذج القائمة على الانتباه المُضعف، ونُظهر تحسيناً ملحوظاً مقارنةً بالأساليب المتطورة حديثاً على مجموعتي بيانات معياريتين: WN18RR وFB15k-237.