Les modèles basés sur les formes bilinéaires constituent des approches puissantes et largement utilisées pour la complétion des graphes de connaissances (KGC). Bien que ces modèles aient permis des progrès significatifs, les études existantes se concentrent principalement sur les propriétés a posteriori (basées sur des preuves, par exemple des motifs de symétrie), tout en négligeant les propriétés a priori. Dans ce travail, nous identifions une propriété a priori, nommée « loi d’identité », qui échappe à la modélisation par les approches basées sur les formes bilinéaires, limitant ainsi leur capacité à capturer de manière complète les caractéristiques des graphes de connaissances. Pour surmonter ce défaut, nous proposons une solution intitulée Unit Ball Bilinear Model (UniBi). Ce modèle allie une supériorité théorique à une meilleure interprétabilité et une performance améliorée, en réduisant l’apprentissage inefficace grâce à des contraintes minimales. Les expériences montrent que UniBi parvient à modéliser la propriété a priori, tout en confirmant son interprétabilité et son efficacité.