En aplicaciones prácticas, la completitud temporal de los grafos de conocimiento es de gran importancia. Sin embargo, estudios previos se han centrado principalmente en grafos de conocimiento estáticos, generalmente ignorando las propiedades evolutivas dinámicas de los hechos. Además, la disponibilidad impredecible y limitada de grafos de conocimiento temporales, junto con los patrones de dependencia temporal complejos, hacen que los modelos actuales sean inadecuados para describir de manera efectiva los hechos que experimentan transiciones temporales. Para representar mejor la evolución de las cosas con el tiempo, proporcionamos una técnica de aprendizaje que utiliza la rotación cuaterniónica para describir grafos de conocimiento temporales. Esta técnica describe la evolución de entidades como un cambio de rotación temporal en el espacio cuaterniónico. En comparación con el producto interno ermitiano en el espacio de números complejos, el producto hamiltoniano en el espacio cuaterniónico es mejor para mostrar cómo las cosas podrían estar conectadas. Esto conduce a un proceso de aprendizaje que es tanto más efectivo como más articulado. Los resultados experimentales demuestran que nuestro método de aprendizaje supera significativamente a los métodos existentes en la captura de la evolución dinámica de los grafos de conocimiento temporales, con una precisión mejorada y una mayor robustez en una variedad de conjuntos de datos de referencia.