خلال العقد الماضي، أصبحت الرسوم البيانية للمعرفة شائعة لتقديم المعرفة المنظمة في المجالات المختلفة. تمكن نماذج التعلم العلائقي من التنبؤ بالروابط الناقصة داخل الرسوم البيانية للمعرفة. بشكل أكثر تحديدًا، تُعدّ طرق المسافة الخفية من بين الأساليب التي تُستخدم لنمذجة العلاقات بين الكيانات عبر مسافة بين التمثيلات الخفية. تعد نماذج التضمين المتراصة (مثل TransE) من أكثر طرق المسافة الخفية شيوعًا، حيث تستخدم دالة مسافة واحدة لتعلم أنماط علاقات متعددة. ومع ذلك، فإنها غالبًا ما تكون غير فعالة في التقاط العلاقات المتماثلة لأن معيار متجه التمثيل للعلاقات المتماثلة يصبح مساويًا للصفر. كما أنها تخسر المعلومات عند تعلم العلاقات ذات الأنماط الانعكاسية لأن هذه العلاقات تصبح متماثلة وانتقالية. نقترح نموذج التضمين بمسافات متعددة (MDE) الذي يعالج هذه القيود وإطار عمل لدمج بنود مختلفة تعتمد على المسافة الخفية بشكل تعاوني. يتكون حلنا من مبدأين: 1) نستخدم خسارة قائمة على الحد بدلاً من خسارة تصنيف الهامش، 2) عن طريق تعلم متجهات تمثيل مستقلة لكل من البنود يمكننا التدريب الجماعي والتنبؤ باستخدام بنود المسافة المتناقضة. نوضح أيضًا أن MDE يسمح بنمذجة العلاقات ذات الأنماط (غير)المتماثلة والعكسية والتراكبية. نقترح MDE كنموذج شبكة عصبية يتيح لنا رسم العلاقات اللاخطية بين متجهات التضمين والمخرج المتوقع لدالة الدرجة. أظهرت نتائجنا التجريبية أن MDE يؤدي بأداء تنافسي مع أفضل النماذج الحالية للتضمين في عدة قواعد بيانات مرجعية.