지식 그래프 완성은 엔티티 간의 누락된 관계 링크를 예측하는 중요한 과제이다. 지식 그래프 임베딩 기법은 엔티티와 관계를 임베딩 벡터로 표현하고, 이들 간의 상호작용을 모델링하여 각 삼중항(triple)의 매칭 점수를 계산함으로써 이 과제를 수행한다. 기존의 연구들은 일반적으로 각 임베딩을 전체적인 단위로 간주하고, 이러한 전체 임베딩 간의 상호작용을 모델링하는 방식을 채택해 왔으며, 이는 모델의 계산 비용이 과도하게 증가하거나 특별히 설계된 상호작용 메커니즘을 필요로 하는 문제를 야기할 수 있다. 본 연구에서는 블록 텐서 형식(block term format)을 활용한 다중 분할 임베딩 상호작용(Multi-Partition Embedding Interaction, MEI) 모델을 제안하여 이 문제를 체계적으로 해결한다. MEI는 각 임베딩을 다중 분할 벡터로 나누어 상호작용을 효율적으로 제한한다. 각 국소적 상호작용은 Tucker 텐서 형식으로 모델링되고, 전체 상호작용은 블록 텐서 형식으로 모델링되며, 이를 통해 MEI는 표현력과 계산 비용 사이의 균형을 제어하고, 데이터로부터 상호작용 메커니즘을 자동으로 학습할 수 있으며, 링크 예측 과제에서 최신 기술 수준의 성능을 달성할 수 있다. 또한, 본 연구는 파라미터 효율성 문제에 대해 이론적으로 분석하고, 최적의 파라미터 균형을 위한 간단하면서도 실험적으로 검증된 기준을 도출하였다. 더불어, MEI 프레임워크를 적용하여 기존 모델에서 특별히 설계된 여러 상호작용 메커니즘에 대해 새로운 일반화된 설명을 제공하였다. 소스 코드는 https://github.com/tranhungnghiep/MEI-KGE 에 공개되어 있다.