私たちは、ニューラル埋め込み手法を使用して、KB（Knowledge Base）内のエンティティとリレーションの表現を学習することを検討しています。既存のモデルの多くが、この統一された学習フレームワークの下で一般化可能であることを示します。このフレームワークでは、エンティティはニューラルネットワークから学習される低次元ベクトルであり、リレーションは双線形および/または線形写像関数として表現されます。このフレームワークのもとで、リンク予測タスクにおいて様々な埋め込みモデルを比較しました。結果として、単純な双線形式が新しい最先端の成果を達成しており（Freebase上でTransEの54.7%に対して73.2%のトップ10精度）、その有効性が確認されました。さらに、我々は学習されたリレーション埋め込みを利用して論理規則を抽出する新しいアプローチを提案します。例えば、「BornInCity(a,b) かつ CityInCountry(b,c) => Nationality(a,c)」のような規則です。双線形目的関数から学習された埋め込みは特にリレーショナル意味論を捉えるのに適しており、リレーションの合成は行列乗算によって特徴付けられることを見出しました。より興味深いことに、私たちの埋め込みに基づく規則抽出アプローチが、組合せ推論に関わるHorn規則の抽出において最新の信頼度ベースの規則マイニングアプローチよりも優れた性能を示すことを実証しました。