대규모 불완전 지식 그래프(KGs)에서 복잡한 논리적 쿼리를 처리하는 것은 기본적이면서도 도전적인 작업입니다. 최근에는 이러한 문제를 해결하기 위해 KG 엔티티와 쿼리를 벡터 공간에 임베딩하여 쿼리를 답변하는 엔티티가 쿼리 근처에 위치하도록 하는 접근법이 유망하게 여겨졌습니다. 그러나 이전 연구에서는 쿼리를 벡터 공간의 단일 점으로 모델링하였습니다. 이는 문제가 되는 부분으로, 복잡한 쿼리는 잠재적으로 많은 수의 답변 엔티티 집합을 나타내지만, 이러한 집합을 단일 점으로 표현하는 방법이 명확하지 않기 때문입니다. 또한, 이전 연구는 논리적 결합($\wedge$)과 존재 양상자($\exists$)를 사용하는 쿼리만 처리할 수 있었으며, 논리적 선택($\vee$)을 포함하는 쿼리를 처리하는 것은 여전히 해결되지 않은 문제였습니다.본 연구에서는 query2box라는 임베딩 기반 프레임워크를 제안합니다. 이 프레임워크는 $\wedge$, $\vee$, $\exists$ 연산자를 사용하는 임의의 쿼리를 대규모 불완전 KGs에서 효율적으로 추론할 수 있습니다. 우리의 주요 통찰력은 쿼리를 상자(즉, 초직사각형)로 임베딩할 수 있다는 것입니다. 여기서 상자 내부의 점들의 집합은 해당 쿼리의 답변 엔티티 집합에 대응됩니다. 우리는 결합이 상자의 교차로 자연스럽게 표현될 수 있음을 보여주며, 선택을 처리하기 위해서는 KG 엔티티의 수에 비례하는 차원으로 임베딩해야 한다는 부정적인 결과도 증명하였습니다. 그러나 Disjunctive Normal Form(DNF)으로 쿼리를 변환함으로써 query2box가 $\wedge$, $\vee$, $\exists$ 연산자를 사용하는 임의의 논리적 쿼리를 확장성 있게 처리할 수 있음을 보여주었습니다.query2box의 효과성을 세 개의 대규모 KGs에서 입증하였으며, query2box가 최신 기술보다 최대 25% 상대적으로 향상된 성능을 달성함을 보였습니다.