双線形モデルは、知識グラフ補完（Knowledge Graph Completion; KGC）において強力かつ広く用いられているアプローチである。双線形モデルは著しい進展を達成しているものの、その研究の多くは、証拠に基づく事後的性質（例えば対称性パターンなど）に注目している一方で、事前的性質の捉え方に課題がある。本研究では、双線形モデルでは捉えられない事前的性質「同一律の法則（the law of identity）」が存在することを発見した。この性質の欠如が、知識グラフ（KG）の特性を包括的にモデル化することを妨げている。この問題に対処するため、本研究では「ユニットボール双線形モデル（Unit Ball Bilinear Model; UniBi）」と呼ばれる新しいアプローチを提案する。このモデルは、最小限の制約により無意味な学習を抑制することで、理論的優位性を確保するとともに、解釈可能性と性能の両面で向上を実現する。実験結果により、UniBiが事前的性質を適切にモデル化できることを確認し、その解釈可能性および性能の優れたことを実証した。