본 논문은 불완전한 지식 그래프의 문제점을 해결하기 위해, 지식 그래프에 명시적으로 존재하지 않더라도 그 완성본에 존재하는 답을 예측하는 새로운 질의 응답 방식을 제안한다. 두 가지 질의 응답 문제, 즉 질의 응답 분류 및 질의 응답 검색 문제를 정식으로 소개하고 연구한다. 이를 위해, 임의의 지식 그래프에 대한 임의의 결합 질의에 대한 답을 분류할 수 있는 AnyCQ 모델을 제안한다. AnyCQ의 핵심은 강화 학습 목표를 사용하여 훈련된 그래프 신경망으로, 부울 질의에 대한 답을 제공한다. 간단하고 작은 인스턴스에서만 훈련된 AnyCQ는 임의의 구조를 가진 큰 질의에도 일반화되어 기존 접근 방식이 처리하지 못하는 질의에 대한 답을 신뢰할 수 있게 분류하고 검색한다. 새롭게 제안된 까다로운 벤치마크를 통해 이를 실험적으로 검증하고, 적절한 링크 예측 모델을 사용하면 AnyCQ가 완전히 새로운 지식 그래프로 효과적으로 전이될 수 있음을 실험적으로 보여줌으로써 불완전한 데이터에 대한 질의 가능성을 강조한다.
