Los gráficos de conocimiento (KGs) son colecciones de hechos estructurados, que recientemente han atraído una creciente atención. Aunque hay miles de millones de triples en KGs, siguen siendo incompletos. Estas bases de conocimiento incompletas traerán limitaciones a las aplicaciones prácticas. Predecir nuevos hechos a partir de los gráficos de conocimiento dados es un área cada vez más importante. En este documento investigamos los modelos basados en reglas lógicas. Este documento propone HRER, un nuevo aprendizaje de reglas ascendentes para completar gráficos de conocimiento. En primer lugar, inspirado por la observación de que la información conocida de los KGs es incompleta y desequilibrada, HRER modifica los indicadores para la selección basados en los métodos existentes de minería de reglas de relación. La nueva métrica es más efectiva que las confianzas tradicionales para filtrar reglas de Horn. Además, motivado por las diferencias entre los métodos basados en incrustaciones y los métodos basados en reglas lógicas, HRER propone reglas de entidad. Las reglas de entidad compensan la expresión limitada de las reglas de Horn hasta cierto punto. HRER necesita unos pocos parámetros para controlar el número de reglas y puede proporcionar la explicación para la predicción. Los experimentos muestran que HRER logra el estado del arte en los conjuntos de datos estándar de predicción de enlaces.