Para la tarea de responder consultas lógicas complejas en grafos de conocimiento incompletos a gran escala, el enfoque prometedor es incrustar el grafo de conocimiento y las consultas lógicas complejas en un espacio de baja dimensionalidad y realizar un razonamiento iterativo para encontrar las respuestas finales. El problema general es que estos modelos no incluyen los tipos de entidades como una característica importante, lo que reduce el potencial de razonamiento. Sin embargo, la información de tipo explícito no siempre está disponible en grafos de conocimiento a gran escala. Proponemos de manera innovadora un marco basado en incrustaciones para Consultas Lógicas Complejas Conscientes de Tipo No Supervisadas (UnTiCk). Nuestro enfoque implementa restricciones de tipo no supervisadas en el procesamiento de consultas lógicas complejas de múltiples saltos. Además, puede capturar las diferentes representaciones de las características de tipo cuando las entidades se encuentran en diferentes ubicaciones en el camino lógico. Diseñamos metaoperadores de medición de compatibilidad de tipo combinados con operadores lógicos neurales populares de Primer Orden Positivo Existencial (EPFO) para lograr la incrustación de consultas complejas EPFO conscientes de tipo. Validamos la efectividad de nuestro marco en grafos de conocimiento a gran escala populares utilizando la misma dimensionalidad de incrustación que los métodos de incrustación lógica compleja. Los resultados mostraron una mejora relativa promedio del 1.9-12.8% en Hit@3 y hasta un 42.1% en el patrón lógico específico.