تعاني معظم الرسوم المعرفية الحالية من نقص في الإكمال، ويمكن تخفيف هذه المشكلة من خلال استنتاج الروابط المفقودة استنادًا إلى الحقائق المعروفة. إحدى الطرق الشائعة لتحقيق ذلك هي إنشاء تمثيلات منخفضة الأبعاد (Embeddings) للكائنات والعلاقات، واستخدام هذه التمثيلات لإجراء الاستنتاجات. يعتمد النموذج المُقترح حديثًا، ConvE، على تطبيق مرشحات تلافيفية (Convolutional Filters) على إعادة تشكيل ثنائي الأبعاد لتمثيلات الكائنات والعلاقات بهدف التقاط التفاعلات الغنية بين مكوناتها. ومع ذلك، فإن عدد التفاعلات التي يمكن لـ ConvE التقاطها محدود. في هذه الورقة، نحلل كيف تؤثر زيادة عدد هذه التفاعلات على أداء التنبؤ بالروابط، ونستفيد من ملاحظاتنا لاقتراح نموذج جديد يُسمى InteractE. يعتمد InteractE على ثلاث أفكار رئيسية: تبديل الميزات (Feature Permutation)، وإعادة تشكيل ميزات مبتكرة، والتفاف دائري (Circular Convolution). من خلال تجارب مكثفة، نجد أن InteractE يتفوق على أفضل النماذج التلافيفية الحالية في مهام التنبؤ بالروابط على مجموعة بيانات FB15k-237. علاوة على ذلك، يحقق InteractE تحسنًا بنسبة 9% و7.5% و23% في مؤشر MRR مقارنة بـ ConvE على مجموعات بيانات FB15k-237 وWN18RR وYAGO3-10 على التوالي. تؤكد النتائج فرضيتنا الأساسية، وهي أن زيادة التفاعلات بين الميزات يُعد مفيدًا لتحسين أداء التنبؤ بالروابط. ونُقدّم كود المصدر الخاص بـ InteractE لتشجيع الأبحاث القابلة للتكرار.