近年、知識グラフ埋め込み（knowledge graph embedding）は人工知能分野における注目される研究テーマとなっており、推薦や質問応答といったさまざまな下流応用においてますます重要な役割を果たしている。しかし、従来の知識グラフ埋め込み手法は、モデルの複雑さと表現力の間に適切なトレードオフを実現できていないため、依然として満足のいく結果をもたらすには至っていない。この問題を軽減するために、モデルの複雑さを増加させることなく、高い関係表現力が得られる軽量なモデリングフレームワークを提案する。本フレームワークはスコア関数の設計に焦点を当てており、以下の2つの重要な特性を強調している：1）十分な特徴間相互作用の促進；2）関係の対称性および反対称性の両方を保持すること。特に、スコア関数の一般的かつ洗練された設計により、本フレームワークは多くの既存の代表的な手法を特別なケースとして統合可能である点が顕著である。さらに、公開ベンチマーク上での広範な実験により、本フレームワークの効率性と有効性が実証された。ソースコードおよびデータは、\url{https://github.com/Wentao-Xu/SEEK} で公開されている。