知識グラフ（Knowledge Graphs, KGs）を連続ベクトル空間に埋め込むことは、現在の研究の焦点となっています。このような埋め込みモデルと論理規則を組み合わせる手法は最近、ますます注目を集めています。これまでの試みの多くは、論理規則の一回限りの注入を行い、埋め込み学習と論理的推論の間の相互作用的な性質を見逃していました。また、例外なく常に成り立つハードルールにのみ焦点を当てており、これらのルールを作成または検証するには多くの手動労力が必要でした。本稿では、ソフトルールからの反復的なガイダンスを持つ新しいKG埋め込みパラダイムであるRule-Guided Embedding (RUGE)を提案します。RUGEは、1) 与えられたKGで直接観測されたラベル付きトリプル、2) 反復的に予測されるラベルなしトリプル、3) KGから自動的に抽出された様々な信頼度を持つソフトルールから同時に学習する能力を持っています。学習プロセスにおいて、RUGEは反復的に規則を照会してラベルなしトリプルに対してソフトラベルを得ることで、新たにラベル付けされたトリプルを統合し、埋め込みモデルを更新します。この反復手続きを通じて、論理規則に内在する知識が学習済みの埋め込みによりよく転送される可能性があります。我々はFreebaseとYAGOでのリンク予測においてRUGEを評価しました。実験結果は以下の通りです：1) 反復的に規則知識が注入されることで、RUGEは最先端の基準モデルに対して有意かつ一貫した改善を達成しています；2) 不確実性があるにもかかわらず、自動抽出されたソフトルールはKG埋め込みにとって非常に有益であり、中程度の信頼度を持つものでも同様です。本稿で使用したコードとデータセットはhttps://github.com/iieir-km/RUGEから入手できます。