Los gráficos de conocimiento suelen tener muchos enlaces faltantes, y predecir las relaciones entre entidades se ha convertido en un tema de investigación candente en los últimos años. La investigación de incrustación de gráficos de conocimiento mapea entidades y relaciones a una representación de espacio continuo de baja dimensión para predecir enlaces entre entidades. La investigación actual muestra que la clave del enfoque de incrustación de gráficos de conocimiento es el diseño de funciones de puntuación. Según la función de puntuación, los métodos de incrustación de gráficos de conocimiento se pueden clasificar en modelos de producto punto y modelos de distancia. Encontramos que las puntuaciones triples obtenidas utilizando el modelo de producto punto o el modelo de distancia eran ilimitadas, lo que conduce a una gran varianza. En este documento, proponemos RotatE Cosine Similarity (RoCS), un método para calcular la similitud coseno conjunta de vectores complejos como una función de puntuación para que las puntuaciones triples estén limitadas. Nuestro enfoque combina las propiedades rotacionales del modelo de incrustación de vectores complejos RotatE para modelar patrones relacionales complejos. Los resultados experimentales demuestran que el recién introducido RoCS produce mejoras sustanciales en comparación con RotatE en varios puntos de referencia de gráficos de conocimiento, mejorando hasta un 4.0% en Hits@1 en WN18RR y mejorando hasta un 3.3% en Hits@1 en FB15K-237. Mientras tanto, nuestro método logra algunos nuevos estados de arte (SOTA), incluidos Hits@3 del 95.6%, Hits@10 del 96.4% en WN18, y rango recíproco medio (MRR) del 48.9% y Hits@1 del 44.5% en WN18RR.