El aprendizaje de representación tiene como objetivo codificar las relaciones de los objetos de investigación en vectores de representación de baja dimensión, compresibles y distribuidos. El propósito del aprendizaje de representación de redes es aprender las relaciones estructurales entre los vértices de la red. El aprendizaje de representación del conocimiento está orientado a modelar las entidades y relaciones en bases de conocimiento. En este artículo, primero introducimos la idea de aprendizaje de representación del conocimiento en el aprendizaje de representación de redes, es decir, proponemos un nuevo enfoque para modelar las relaciones de tripletes de vértices basado en DeepWalk sin TransE. En consecuencia, proponemos un algoritmo optimizado de aprendizaje de representación de redes utilizando datos multi-relacionales, MRNR, que introduce los datos multi-relacionales entre vértices en los procedimientos de aprendizaje de representación de redes. Importante, adoptamos una especie de estrategia de transformación de orden superior para optimizar los vectores de representación de redes aprendidos. El propósito de MRNR es que los datos multi-relacionales (tripletes) pueden guiar y restringir de manera efectiva los procedimientos de aprendizaje de representación de redes. Los resultados experimentales demuestran que el MRNR propuesto puede aprender representaciones de redes discriminativas, que muestran un mejor rendimiento en clasificación de redes, visualización y tareas de estudio de casos en comparación con los algoritmos de referencia propuestos en este artículo.