一些在链接预测任务中表现最为成功的知识图谱嵌入（KGE）模型——如CP、RESCAL、TuckER和ComplEx——可被解释为基于能量的模型。从这一视角来看，这些模型难以进行精确的最大似然估计（MLE）、采样，且难以融入逻辑约束。本文重新将这些KGE模型的打分函数解释为电路（circuits）——即受约束的计算图结构，能够实现高效的边缘化计算。基于此，我们提出了两种构建高效生成式电路模型的方案：一是限制其激活值为非负，二是对输出进行平方处理。这种新解释在链接预测任务中几乎不损失原有性能，同时，电路框架使得精确的MLE学习成为可能，支持高效生成新三元组的采样，并天然保证逻辑约束的满足。此外，与原始KGE模型相比，我们的模型在包含数百万实体的大型图上展现出更优的可扩展性。