確率論的論理規則学習は、論理規則の抽出および知識グラフの完成において大きな力を発揮している。この手法は、既存のエッジに基づいて推論することで、欠落しているエッジを予測する論理規則を学習する。しかし、これまでの研究は主に連鎖的な Horn 形式の規則、例えば $R_1(x,z)\land R_2(z,y)\Rightarrow H(x,y)$R1​(x,z)∧R2​(z,y)⇒H(x,y) に限定されてきた。この定式化では、エンティティ変数 $x$x、$y$y、$z$z の隣接部分グラフから得られる追加的な文脈情報が無視されている。直感的に言えば、局所的な部分グラフが知識グラフ完成において重要な情報を提供することが既に示されており、その点で大きなギャップが存在する。こうした観察に着想を得て、本研究ではエンティティの文脈情報を编码するための論理的エンティティ表現（Logical Entity RePresentation, LERP）を提案する。LERPは、エンティティの隣接部分グラフに関する確率論的論理関数のベクトルとして設計されており、解釈可能性を保ちつつ微分可能な最適化を可能にする。この特性を活かして、LERPを確率論的論理規則学習に統合することで、より表現力豊かな規則を学習可能となる。実験結果から、LERPを導入した本モデルは、知識グラフ完成において他の規則学習手法を上回り、最先端のブラックボックス手法と同等あるいはそれ以上に優れた性能を示すことが明らかになった。さらに、本モデルがより表現力の高い論理規則の族を発見できることも明らかになった。また、LERPはTransEなどの埋め込み学習手法と組み合わせることで、さらに解釈性を高めることも可能である。