Los grafos de conocimiento (KGs) sirven como representaciones estructuradas del conocimiento, que comprenden entidades y relaciones. KGs son inherentemente incompletos, dispersos y tienen una fuerte necesidad de completitud. Aunque se han diseñado muchos modelos de incrustación de grafos de conocimiento para la completitud del grafo de conocimiento, se centran predominantemente en capturar correlaciones observables entre entidades. Debido a la dispersión de los KGs, las correlaciones semánticas potenciales son difíciles de capturar. Para abordar este problema, proponemos un modelo titulado completitud de grafo de conocimiento mejorada semánticamente (SE-KGC). SE-KGC aborda eficazmente el problema al incorporar patrones semánticos predefinidos, lo que permite la captura de correlaciones semánticas entre entidades y mejora las características para el aprendizaje de representaciones. Para implementar este enfoque, empleamos un codificador de red de convolución de gráficos multi-relacional, que codifica eficazmente el KG. Posteriormente, utilizamos un decodificador de puntuación para evaluar tripletas. Los resultados experimentales demuestran que nuestro modelo SE-KGC supera a otros métodos de última generación en tareas de predicción de enlaces en tres conjuntos de datos. Específicamente, en comparación con los baselines, SE-KGC logró mejoras del 11.7%, 1.05% y 2.30% en términos de MRR en estos tres conjuntos de datos. Además, presentamos un análisis exhaustivo de las contribuciones de diferentes patrones semánticos, y encontramos que las entidades con mayor conectividad desempeñan un papel fundamental en capturar y caracterizar efectivamente la información semántica.