知识库补全（Knowledge Base Completion, KBC）旨在通过利用知识库（KB）中已有的信息，自动推断出缺失的事实。一种有前景的KBC方法是将知识嵌入到低维隐空间中，并基于学习到的嵌入进行预测。然而，现有的嵌入模型至少存在以下四方面的局限性：（1）理论表达能力不足；（2）无法有效支持典型的推理模式（如层次结构）；（3）难以处理高元关系（higher-arity relations）的KBC任务；（4）缺乏对逻辑规则的建模与融合能力。为此，本文提出一种空间平移型嵌入模型——BoxE，能够同时克服上述所有限制。BoxE将实体表示为点，将关系表示为一组超矩形（即“盒子”），通过其空间结构自然刻画基本的逻辑属性。这一看似简单的抽象设计，使得模型具备完全的表达能力，并能自然地编码多种期望的逻辑特性。BoxE不仅能有效捕捉来自丰富规则语言类别的逻辑规则，还能将这些规则注入模型中，远超对单一推理模式的支持能力。此外，BoxE在设计上天然适用于高元关系知识库。我们进行了详尽的实验分析，结果表明，BoxE在标准知识图谱以及更广泛的一般性知识库上均达到了当前最优的性能水平，并通过实证验证了融合逻辑规则所带来的显著优势。