抽象知识图（kgs）自然能够捕获数据和知识的收敛性，从而使它们成为高度表达的框架，用于以连贯和互连的方式描述和集成异质数据。然而，基于开放世界假设（OWA），kgs中没有信息并不表示虚假或不存在；它仅反映了不完整。使用数值或符号学习模型，基于KG中现有的事实陈述来预测基于现有的事实陈述的新关系。最近，知识图嵌入（KGE）和符号学习在各种下游任务（包括链接预测（LP））中受到了相当大的关注。LP技术采用实体及其关系的潜在矢量代表来推断缺失的链接。此外，随着KGS产生的数据数量的不断增加，进行额外质量评估和验证工作的必要性变得更加明显。尽管如此，最新的kg完成方法在产生预测的同时未能考虑质量约束，从而导致建立有错误关系的kg。在医疗保健决策的背景下，准确的数据和见解的产生至关重要，包括诊断过程，治疗策略的制定以及实施预防措施。我们提出了一种混合方法，即Vise，该方法采用了符号学习，约束验证和数值学习技术的整合。Vise利用KGE捕获隐式知识并表示kg中的否定，从而增强了数值模型的预测性能。我们的实验结果证明了这种混合策略的有效性，该策略结合了符号，数值和约束验证范式的优势。VISE实施是在GitHub（https://github.com/sdm-tib/vise）上公开访问的。