In den letzten Jahren ist die Embedding-Technik von Wissensgraphen zu einem äußerst populären Forschungsthema im Bereich der künstlichen Intelligenz geworden und spielt in zahlreichen Anwendungen wie Empfehlungssystemen und Fragenbeantwortung eine zunehmend entscheidende Rolle. Allerdings können bestehende Ansätze zur Wissensgraphen-Embedding keine ausgewogene Abwägung zwischen Modellkomplexität und Modellausdruckskraft erreichen, was ihre Leistung weiterhin unzureichend macht. Um dieses Problem zu lösen, schlagen wir einen leichtgewichtigen Modellierungsrahmen vor, der eine hoch konkurrenzfähige relationale Ausdruckskraft erzielt, ohne die Modellkomplexität zu erhöhen. Unser Rahmen konzentriert sich auf die Gestaltung von Bewertungsfunktionen und betont zwei entscheidende Eigenschaften: 1) die Förderung ausreichender Merkmalsinteraktionen; 2) die Erhaltung sowohl der Symmetrie als auch der Antisymmetrie von Relationen. Es ist bemerkenswert, dass die allgemeine und elegante Gestaltung der Bewertungsfunktionen es ermöglicht, zahlreiche bekannte bestehende Methoden als Spezialfälle in unseren Rahmen einzubinden. Zudem belegen umfangreiche Experimente auf öffentlichen Benchmarks die Effizienz und Wirksamkeit unseres Ansatzes. Quellcodes und Daten sind unter \url{https://github.com/Wentao-Xu/SEEK} verfügbar.