Los modelos de completación de grafos de conocimiento (KGC) son un enfoque viable para manipular hechos en grafos de conocimiento. Sin embargo, la falta de tipos de entidad en los modelos KGC actuales resulta en resultados de predicción de enlaces inexactos. La mayoría de los modelos KGC conscientes del tipo existentes requieren anotaciones de tipo de entidad, que no siempre están disponibles y son costosas de obtener. Proponemos ProtoE, un método no supervisado para aprender representaciones implícitas de tipo y restricciones de tipo. ProtoE mejora los modelos KGC agnósticos al tipo mediante incrustaciones de prototipos específicas de relación. Nuestro método no depende de anotaciones de tipo de entidad para capturar el tipo y las restricciones de tipo de las entidades. A diferencia de los métodos existentes de aprendizaje de representación de tipo no supervisados, que tienen solo una representación única para las restricciones de tipo de entidad y tipo de relación, nuestro método puede capturar múltiples restricciones de tipo en las relaciones. Los resultados experimentales muestran que nuestro método puede mejorar el rendimiento de los modelos KGC bilineales y translacionales en la tarea de predicción de enlaces.