Para abordar los desafíos de los grafos de conocimiento incompletos, este artículo propone un novedoso enfoque de preguntas-respuestas que predice las respuestas existentes en el grafo de conocimiento completo, incluso si no están explícitamente presentes en él. Presentamos y estudiamos formalmente dos problemas de preguntas-respuestas: la clasificación y la recuperación de preguntas-respuestas. Para lograrlo, proponemos el modelo AnyCQ, que puede clasificar las respuestas a consultas combinadas arbitrarias en grafos de conocimiento arbitrarios. En esencia, AnyCQ es una red neuronal de grafos entrenada mediante objetivos de aprendizaje por refuerzo, que proporciona respuestas a consultas booleanas. Entrenada en instancias simples y pequeñas, AnyCQ se generaliza a consultas grandes con estructura arbitraria, clasificando y recuperando de forma fiable las respuestas a consultas en las que los enfoques existentes no son eficaces. Validamos experimentalmente este enfoque utilizando un nuevo y desafiante punto de referencia y demostramos que AnyCQ puede transferirse eficazmente a grafos de conocimiento completamente nuevos mediante un modelo de predicción de enlaces adecuado, lo que destaca su potencial para consultar datos incompletos.
