La combinación de reglas de lógica de primer orden con un modelo de incrustación de Grafos de Conocimiento (KG) ha ganado recientemente una atención creciente, ya que las reglas introducen información de fondo rica. Entre dichos estudios, los modelos equipados con reglas suaves, que se extraen con ciertas confianzas, logran un rendimiento de vanguardia. Sin embargo, los métodos existentes no pueden soportar las reglas de transitividad y composición o toman reglas suaves como términos de regularización para restringir hechos derivados, lo que es incapaz de codificar el conocimiento de fondo lógico sobre los hechos contenidos en reglas suaves. Además, trabajos anteriores realizaron una inferencia lógica de una sola vez sobre reglas para generar fundamentos válidos para modelar reglas, ignorando la inferencia de encadenamiento hacia adelante, que puede generar más fundamentos válidos para modelar mejor las reglas. Con estos objetivos, este artículo propone Soft Logical rules enhanced Embedding (SoLE), un modelo de incrustación de KG novedoso equipado con un algoritmo de entrenamiento conjunto sobre reglas suaves y hechos de KG para inyectar el conocimiento de fondo lógico de reglas en las incrustaciones, así como la inferencia de encadenamiento hacia adelante sobre reglas. Las evaluaciones en Freebase y DBpedia muestran que SoLE no solo logra mejoras del 11.6%/5.9% en Mean Reciprocal Rank (MRR) y del 18.4%/15.9% en HITS@1 en comparación con el modelo en el que se basa SoLE, sino que también supera significativa y consistentemente a los baselines de vanguardia en la tarea de predicción de enlaces.