Dado que los datos se enriquecen gradualmente con el tiempo, los grafos de conocimiento son inherentemente imperfectos. Por lo tanto, se propone la completación del grafo de conocimiento para perfeccionar el grafo de conocimiento mediante la completación de triples. Actualmente, una familia de modelos de traducción se ha convertido en el método más efectivo para la completación de grafos de conocimiento. Estos modelos de traducción están diseñados para resolver la complejidad y diversidad de entidades, como uno a muchos, muchos a uno y muchos a muchos, lo que ignora la diversidad de las relaciones en sí mismas, como múltiples relaciones entre un par de entidades. Como resultado, con los modelos de traducción actuales, es difícil extraer efectivamente la información semántica de las entidades y relaciones. Para extraer efectivamente la información semántica del grafo de conocimiento, este artículo analiza fundamentalmente las relaciones complejas del grafo de conocimiento. Luego, considerando la diversidad de las relaciones en sí mismas, las relaciones complejas se refinan como uno a uno a muchos, muchos a uno a uno, uno a muchos a uno, muchos a uno a muchos, muchos a muchos a uno, uno a muchos a muchos y muchos a muchos a muchos. Al analizar las relaciones complejas, se propone un nuevo modelo de completación de grafo de conocimiento, incrustación doble de entidad y relación en hiperplanos de relación e hiperplanos de proyección de relación (ERDERP) para extraer la información semántica de entidades y relaciones. En primer lugar, ERDERP establece un hiperplano de relación para cada relación y proyecta la incrustación de la relación en el hiperplano de relación. De esta manera, se extrae efectivamente la información semántica de las relaciones. En segundo lugar, ERDERP establece un hiperplano de proyección de relación para cada proyección de relación y proyecta las entidades en el hiperplano de proyección de relación. De esta manera, se extrae efectivamente la información semántica de las entidades. Además, se demuestra teóricamente que ERDERP puede resolver problemas antisimétricos. Finalmente, se comparan los ERDERP propuestos con varios modelos típicos de completación de grafos de conocimiento. Los resultados experimentales muestran que ERDERP es significativamente efectivo en la predicción de enlaces, especialmente en la predicción de relaciones. Por ejemplo, en FB15k y FB15k-237, ERDERP supera a TransH al menos en un 30%.