El aprendizaje de representación del grafo de conocimiento proyecta las entidades y relaciones en los triples en un espacio vectorial continuo de baja dimensionalidad. El aprendizaje de representación temprano se centró principalmente en la información contenida en el triple mismo pero ignoró otra información útil. Dado que las entidades tienen diferentes tipos de representaciones en diferentes escenarios, la información rica en los tipos de niveles de entidad es útil para obtener una representación de conocimiento más completa. En este artículo, se propone un nuevo marco de representación de conocimiento (TRKRL) que combina información de reglas de ruta e información jerárquica de tipos de entidad para explotar la interpretabilidad de reglas lógicas y las ventajas de los tipos jerárquicos de entidad. Específicamente, para la información jerárquica de tipos de entidad, consideramos que las entidades tienen múltiples representaciones de diferentes tipos, así como lo tratamos como la matriz de proyección de entidades, utilizando el codificador de tipo para modelar los tipos jerárquicos de entidad. Para la información de reglas de ruta, extraemos reglas de Horn del grafo de conocimiento para guiar la síntesis de relaciones en rutas. Los resultados experimentales muestran que TRKRL supera a los baselines en la tarea de completar el grafo de conocimiento, lo que indica que nuestro modelo es capaz de utilizar información jerárquica de tipo de entidad, información de rutas de relación e información de reglas lógicas para el aprendizaje de representación.