La predicción de enlaces implica el uso de entidades y relaciones que ya existen en un grafo de conocimiento para razonar sobre entidades o relaciones faltantes. Diferentes enfoques han sido propuestos hasta la fecha para realizar esta tarea. Este trabajo propone el uso combinado del enfoque basado en traducción con el enfoque basado en Redes Neuronales Convolucionales (CNN), resultando en un modelo novedoso, llamado ConCMH. En el modelo propuesto, primero, las entidades y relaciones se incrustan en el espacio complejo, seguido de una multiplicación de vectores de incrustación de entidades y relaciones y tomando la parte real de los resultados para generar una matriz de características de su interacción. A continuación, se utiliza una convolución 2D para extraer características de esta matriz y generar mapas de características. Finalmente, los vectores de características se transforman en incrustaciones de entidades predichas mediante la obtención del producto interno de la asignación de características y la matriz de incrustación de entidades. El modelo ConCMH propuesto se compara con modelos de vanguardia en los cuatro conjuntos de datos de referencia más comúnmente utilizados y los resultados experimentales obtenidos confirman su superioridad en la mayoría de los casos.