Die Vervollständigung von Wissensgraphen ist eine zentrale Aufgabe, die darauf abzielt, fehlende relationale Verbindungen zwischen Entitäten vorherzusagen. Wissensgraphen-Embedding-Methoden führen diese Aufgabe durch die Darstellung von Entitäten und Relationen als Embedding-Vektoren aus und modellieren deren Wechselwirkungen, um die Passgenauigkeit jedes Tripels zu berechnen. Frühere Arbeiten haben typischerweise jedes Embedding als Ganzes betrachtet und die Wechselwirkungen zwischen diesen vollständigen Embeddings modelliert, was potenziell zu übermäßigen Kosten oder zur Notwendigkeit speziell entworfener Interaktionsmechanismen führen kann. In dieser Arbeit stellen wir das Multi-Partition Embedding Interaction (MEI)-Modell im Block-Term-Format vor, um dieses Problem systematisch zu lösen. MEI teilt jedes Embedding in einen mehrteiligen Vektor auf, um die Wechselwirkungen effizient einzuschränken. Jede lokale Wechselwirkung wird mit dem Tucker-Tensor-Format modelliert, während die gesamte Wechselwirkung mit dem Block-Term-Tensor-Format erfasst wird. Dadurch kann MEI das Gleichgewicht zwischen Ausdrucksstärke und rechnerischem Aufwand kontrollieren, Interaktionsmechanismen automatisch aus den Daten lernen und eine state-of-the-art-Leistung bei der Link-Vorhersage erzielen. Zudem untersuchen wir theoretisch das Problem der Parameter-Effizienz und leiten ein einfaches, empirisch bestätigtes Kriterium für das optimale Parameter-Trade-off ab. Außerdem wenden wir den MEI-Framework auf, um eine neue verallgemeinerte Erklärung für mehrere speziell entworfene Interaktionsmechanismen in früheren Modellen zu liefern. Der Quellcode ist unter https://github.com/tranhungnghiep/MEI-KGE verfügbar.