Los gráficos de conocimiento académico son recursos esenciales y pueden ser beneficiosos en aplicaciones del mundo real. La mayoría de los gráficos de conocimiento académico existentes están lejos de estar completos; por lo tanto, la completitud del gráfico de conocimiento, la tarea de extender un gráfico de conocimiento con entidades y relaciones faltantes, atrae a muchos investigadores. La mayoría de los métodos existentes utilizan incrustaciones de baja dimensión para representar entidades y relaciones y siguen el paradigma de discriminación para la predicción de enlaces. Sin embargo, los enfoques de discriminación pueden sufrir problemas de escala durante la inferencia con gráficos de conocimiento académico a gran escala. En este documento, proponemos un enfoque novedoso de un transformador generativo con decodificación guiada por conocimiento para la completitud del gráfico de conocimiento académico. Específicamente, presentamos el preentrenamiento generativo del gráfico de conocimiento académico con un transformador. Luego, proponemos la decodificación guiada por conocimiento, que aprovecha el conocimiento relevante en el corpus de entrenamiento como guía de ayuda. Realizamos experimentos en conjuntos de datos de referencia para la completitud del gráfico de conocimiento. Los resultados experimentales muestran que el enfoque propuesto puede lograr ganancias de rendimiento de 30 unidades en la puntuación MRR sobre las líneas de base en el gráfico de conocimiento académico AIDA.