أظهرت نماذج التعلم الآلي القائمة على التضمين العصبي واعدة في التنبؤ بالروابط الجديدة في الرسوم المعرفية. ومع ذلك، فإن فائدتها العملية تقلّل بسبب نقصها في القدرة على التفسير. في الآونة الأخيرة، حقق الخوارزمية القائمة على القواعد، والقابلة للتفسير بالكامل، AnyBURL نتائج تنافسية للغاية في العديد من معايير التنبؤ بالروابط العامة. لكن الطرق الحالية لدمج التنبؤات الناتجة عن قواعد متعددة تعاني من التكرار. ونحسن من أداء AnyBURL من خلال تقديم إطار تطبيق القواعد SAFRAN، الذي يستخدم منهجية جديدة للدمج تُسمى "Noisy-OR غير المكررة"، والتي تُكتشف وتُجمّع القواعد المكررة قبل عملية الدمج. ويُحقّق SAFRAN نتائج جديدة في مُستوى الحد الأقصى من الأداء في التنبؤ بالروابط القابلة للتفسير بالكامل على المعايير العامة المُتعارف عليها FB15K-237 وWN18RR وYAGO3-10. علاوةً على ذلك، تتفوّق نتائجه على نتائج العديد من الخوارزميات القائمة على التضمين المعتمدة على التعلم الآلي على FB15K-237 وWN18RR، وتساهم في تضييق الفجوة بين الخوارزميات القائمة على القواعد والخوارزميات القائمة على التضمين على YAGO3-10.