概率逻辑规则学习在逻辑规则挖掘与知识图谱补全任务中展现出强大能力。该方法通过推理知识图谱中已有的边来学习逻辑规则，从而预测缺失的边。然而，以往的研究大多局限于建模链式结构的霍恩子句（Horn clauses），例如 $R_1(x,z)\land R_2(z,y)\Rightarrow H(x,y)$R1​(x,z)∧R2​(z,y)⇒H(x,y)。这种形式忽略了实体变量 $x$x、$y$y 和 $z$z 所在邻近子图所提供的额外上下文信息。直观上，这一局限性显著，因为已有研究表明，局部子图结构对知识图谱补全具有重要价值。受此启发，我们提出逻辑实体表示（Logical Entity RePresentation, LERP），用于编码知识图谱中实体的上下文信息。LERP 被设计为实体邻近子图上一系列概率逻辑函数的向量表示，既保持了良好的可解释性，又支持可微优化。我们将 LERP 与概率逻辑规则学习相结合，从而能够学习更具表达能力的逻辑规则。实验结果表明，引入 LERP 后，我们的模型在知识图谱补全任务中优于其他规则学习方法，并在性能上可与当前最先进的黑箱方法相媲美，甚至更优。此外，我们发现该模型能够挖掘出更为丰富和表达力更强的逻辑规则家族。值得一提的是，LERP 还可进一步与 TransE 等嵌入学习方法结合，从而提升整体模型的可解释性。