Die mehrstufige Wissensgraphen-Schließung (KG) ist eine effektive und erklärbare Methode zur Vorhersage der Zielentität durch Schließungspfade in der Aufgabenstellung der Abfragebeantwortung (QA). Die meisten bisherigen Methoden gehen davon aus, dass jede Beziehung in Wissensgraphen genügend Trainings-Tripel hat, ohne die wenigen Beziehungen mit wenigen Trainingsdaten zu berücksichtigen, die nicht ausreichend Tripel für das Training robuster Schließungsmodelle bereitstellen können. Tatsächlich sinkt die Leistung bestehender mehrstufiger Schließungsmethoden bei Beziehungen mit wenigen Trainingsdaten erheblich. In dieser Arbeit schlagen wir eine meta-basierte mehrstufige Schließungsmethode (Meta-KGR) vor, die meta-learning nutzt, um effektive Metaparameter von hochfrequenten Beziehungen zu lernen, die sich schnell an Beziehungen mit wenigen Trainingsdaten anpassen können. Wir evaluieren Meta-KGR auf zwei öffentlichen Datensätzen, die aus Freebase und NELL gezogen wurden, und die experimentellen Ergebnisse zeigen, dass Meta-KGR in Szenarien mit wenigen Trainingsdaten den aktuellen Stand der Technik übertrifft. Unser Code und unsere Datensätze sind unter https://github.com/THU-KEG/MetaKGR abrufbar.