يُعدّ هذا البحث مشكلة صعبة تتعلق بتعلم تمثيلات الكيانات والعلاقات في رسم معرفي متعدد العلاقات معقد. نقترح نموذج HittER، وهو نموذج تحويلي هرمي، لتعلم مركبات الكيان والعلاقة والتقديم السياقي للعلاقة بشكل مشترك، استنادًا إلى الجوار الخاص بالكينونة المصدرية. يتكون النموذج المقترح من ح Blocين مختلفين من كتل التحويل: يُستخرج الكتلة السفلى ميزات كل زوج كيان-علاقة في الجوار المحلي للكيان المصدر، بينما تقوم الكتلة العلوية بجمع المعلومات المتعلقة بالعلاقة من مخرجات الكتلة السفلى. وبالإضافة إلى ذلك، نصمم مهمة توقع الكيان المُخفي لموازنة المعلومات المستمدة من السياق العلاقة والكينونة المصدرية نفسها. تُظهر النتائج التجريبية أن HittER حقق نتائج جديدة على مستوى الحد الأقصى من الأداء (state-of-the-art) على عدة مجموعات بيانات لتنبؤ الروابط. ونُقدّم أيضًا منهجًا بسيطًا لدمج HittER في نموذج BERT، ونُظهر فعاليته على مجموعتي بيانات لأسئلة الاستدلال من قاعدة بيانات Freebase.