Los grafos de conocimiento temporal (TKGs) se utilizan para modelar dinámicamente hechos en la dimensión temporal y son ampliamente utilizados en diversos campos. Sin embargo, los modelos de razonamiento existentes a menudo no consideran las características de similitud entre las relaciones de entidades y los atributos estáticos, lo que dificulta que manejen eficazmente estos atributos temporales. Por lo tanto, estos modelos tienen limitaciones para tratar entidades previamente invisibles que aparecen con el tiempo y las asociaciones implícitas de atributos estáticos entre entidades. Para abordar este problema, proponemos un modelo de razonamiento de grafo de conocimiento temporal basado en la Percepción de Similitud de Relaciones de Entidades, conocido como ERSP. Este modelo emplea el método de medición de similitud para capturar las características de similitud de las relaciones de entidades y los atributos estáticos, y luego fusiona estas características para generar representaciones estructurales. Finalmente, proporcionamos un decodificador con representación de relaciones de entidades, representación de atributos estáticos e información de representación estructural para formar un cuádruple. Experimentos realizados en cinco conjuntos de datos de referencia comunes muestran que ERSP supera a la mayoría de los métodos de razonamiento de TKG.