Las relaciones en los grafos de conocimiento tienen estructuras relacionales ricas y varios patrones relacionales binarios. Diversas estrategias de modelado de relaciones se proponen para incrustar grafos de conocimiento, pero no logran capturar completamente ambas características de las relaciones, estructuras relacionales ricas y varios patrones relacionales binarios. Para abordar el problema de la incrustación insuficiente debido a la complejidad de las relaciones, proponemos un nuevo modelo de representación de grafos de conocimiento en espacio complejo, denominado MARS, para explotar relaciones complejas y incrustar grafos de conocimiento. MARS adopta los mecanismos de números complejos y paso de mensajes para luego incrustar tripletes en hiperplanos complejos específicos de relaciones. Por lo tanto, MARS puede preservar bien varios patrones de relación, así como información estructural en los grafos de conocimiento. Además, encontramos que las puntuaciones generadas a partir de la función de puntuación aproximan una distribución gaussiana. Las puntuaciones en la cola no pueden representar eficazmente tripletes. Para abordar este problema particular y mejorar la precisión de las incrustaciones, utilizamos la desviación estándar para limitar la dispersión de la distribución de puntuaciones, lo que resulta en incrustaciones más precisas de tripletes. Experimentos exhaustivos en múltiples benchmarks demuestran que nuestro modelo supera significativamente a los modelos existentes de vanguardia para la predicción de enlaces y la clasificación de tripletes.