우리는 지식 그래프 (Knowledge Graph) 내의 링크 예측 (Link Prediction) 성능을 향상시키기 위해 T5-small 인코더-디코더 (Encoder-Decoder)를 관계형 그래프 어텐션 네트워크 (Relational Graph Attention Network, RGAT)와 통합한 새로운 프레임워크인 Graph-Augmented Sequence-to-Sequence (GA-S2S)를 소개합니다. 기존의 Seq2Seq 모델들은 엔티티 (Entity)와 관계 (Relation)의 표면적인 텍스트 설명에만 의존하거나, 기껏해야 쿼리 엔티티 (Query Entity)의 이웃들을 하나의 선형 시퀀스 (Linear Sequence)로 평탄화하여 고유한 그래프 구조를 버리는 반면, GA-S2S는 텍스트 특징 (Textual Features)과 쿼리 엔티티를 둘러싼 전체 $k$-hop 서브그래프 토폴로지 (Subgraph Topology)를 공동으로 인코딩합니다. 가공되지 않은 인코더 출력값과 RGAT의 관계 인지 임베딩 (Relation-aware Embeddings)을 통합함으로써, 우리 모델은 더 풍부한 멀티홉 (Multi-hop) 관계 패턴과 텍스트 정보를 포착하고 활용합니다. CoDEx 데이터셋에 대한 예비 실험 결과, GA-S2S는 경쟁력 있는 Seq2Seq 기반 베이스라인 모델들보다 성능이 뛰어남을 입증하였으며, 링크 예측 정확도에서 최대 19%의 상대적 이득을 달성했습니다.