知識グラフ（Knowledge Graph: KG）における三項の妥当性を測定するスコアリング関数（Scoring Functions: SFs）は、KG埋め込みの核心となっています。近年、人間によって様々な種類の関係を捉えることを目的とした多くのSFsが設計されてきました。しかし、関係は訓練前の推論が困難な複雑なパターンを示すことがあるため、既存のベンチマークデータセットにおいて一貫して他のSFsよりも優れた性能を発揮するものは存在しません。本稿では、最近の自動機械学習（Automated Machine Learning: AutoML）の成功に触発され、AutoML技術を利用して異なるKGs向けにSFsを自動的に設計すること（AutoSF）を提案します。ただし、ドメイン固有の情報を活用してAutoSFを効率的かつ効果的にするには容易ではありません。まず、一般的に使用されているSFsに対する統一的な表現を特定し、これによりAutoSFの探索空間を設定します。次に、その探索空間内で効率的に検索を行うための貪欲アルゴリズムを提案します。さらに、同じ表現能力を持つSFsの反復的な訓練を避けるとともに、モデル訓練前に不良候補を取り除くのに役立つフィルタと予測器を使用することでアルゴリズムの速度向上を図ります。最後に、ベンチマークデータセット上で広範な実験を行いました。リンク予測および三項分類に関する結果は、AutoSFによって探索されたSFsがKG依存であり、文献に見られない新しいものであるだけでなく、人間によって設計された最先端のSFsよりも優れていることを示しています。