지식 그래프(KG) 내 엔티티와 관계에 대한 임베딩 학습은 다양한 후속 작업에 큰 도움을 주었다. 최근 몇 년간 KG 학습의 핵심인 스코어링 함수는 삼중항(triple)의 타당성을 측정하고 지식 그래프 내 다양한 유형의 관계를 포착하기 위해 인간에 의해 설계되어 왔다. 그러나 관계는 학습 전에는 추론하기 어려운 복잡한 패턴을 보이기 때문에, 기존의 스코어링 함수들은 벤치마크 작업에서 일관되게 최고 성능을 보이지 못하고 있다. 본 논문에서는 최근 자동 기계 학습(AutoML)의 성공 사례에 영감을 받아, AutoML 기술을 활용하여 다양한 KG 작업에 적합한 이차형 스코어링 함수를 탐색한다. 그러나 이 과정에서 도메인 특화 정보를 탐색하는 것은 쉽지 않다. 본 연구에서는 기존의 스코어링 함수를 분석하여 AutoBLM을 위한 탐색 공간을 설정한다. 이후, 점진적 탐색 알고리즘(AutoBLM)과 진화 알고리즘(AutoBLM+)을 제안하며, KG 학습의 도메인 특성에 대응하기 위해 필터 및 예측기(filter and predictor)를 도입하여 이를 더욱 가속화한다. 마지막으로, KG 완성, 다단계 쿼리, 엔티티 분류 등의 벤치마크 작업에서 광범위한 실험을 수행한다. 실험 결과는 탐색된 스코어링 함수가 KG에 따라 달라지며, 기존 문헌에 없었던 새로운 형태이며, 기존의 스코어링 함수들을 모두 능가함을 보여준다. 특히, 진화 알고리즘이 동일한 예산 내에서 더 유연하게 더 나은 구조를 탐색할 수 있기 때문에 AutoBLM+는 AutoBLM보다 우수한 성능을 발휘한다.