Los grafos de conocimiento han sido ampliamente estudiados y aplicados, pero la mayoría de estos estudios asumen que los hechos de relación en el grafo de conocimiento son correctos y deterministas. Sin embargo, en el mundo objetivo, inevitablemente existen hechos de relación inciertos. La investigación existente carece de una representación efectiva de esta información incierta. En este sentido, proponemos un marco de aprendizaje de representación novedoso llamado CosUKG, diseñado específicamente para grafos de conocimiento inciertos. Este marco modela la información incierta midiendo la similitud del coseno entre vectores transformados y vectores objetivo reales, integrando efectivamente la incertidumbre en el proceso de incrustación del grafo de conocimiento mientras preserva su información estructural. A través de múltiples experimentos en tres conjuntos de datos públicos, se demuestra la superioridad del marco CosUKG en la representación de grafos de conocimiento inciertos. Logra una precisión de representación mejorada de la información incierta sin aumentar la complejidad del modelo o debilitar la información estructural.