従来の知識グラフ埋め込み手法は、エンティティを表現にマッピングし、スコア関数を用いてターゲットエンティティを予測するが、稀なまたは新規の未観測エンティティの推論においては通常、困難を抱えている。本論文では、事前学習済み言語モデルを活用した新たな知識グラフ埋め込み手法であるkNN-KGEを提案する。本手法は、エンティティの分布をk近傍（k-nearest neighbors）と線形補間することで、エンティティ表現の推論を改善する。近傍エンティティは、知識ストア内のエンティティ埋め込み空間における距離に基づいて計算される。このアプローチにより、稀なまたは新規のエンティティをモデルパラメータ内に暗黙的に記憶するのではなく、明示的に記憶することが可能となる。実験結果から、本手法が誘導的（inductive）および従属的（transductive）なリンク予測の性能を向上させ、わずか数個のトリプルしか存在しない低リソース環境においても優れた性能を発揮することが示された。これは、明示的な記憶によりより容易に推論が可能であることを示唆している。コードは、https://github.com/zjunlp/KNN-KG にて公開されている。