Los modelos de incrustación de grafos de conocimiento (KGE) se han convertido en medios populares para hacer descubrimientos en grafos de conocimiento (por ejemplo, grafos RDF) de manera eficiente y escalable. La clave del éxito de estos modelos es su capacidad para aprender representaciones vectoriales de bajo rango para entidades y relaciones de grafos de conocimiento. A pesar del rápido desarrollo de los modelos KGE, los enfoques de vanguardia se han centrado principalmente en nuevas formas de representar funciones de interacción de incrustaciones (es decir, funciones de puntuación). En este artículo, argumentamos que la elección de otros componentes de entrenamiento, como la función de pérdida, los hiperparámetros y las estrategias de muestreo negativo, también puede tener un impacto sustancial en la eficiencia del modelo. Esta área ha sido bastante descuidada por trabajos anteriores hasta ahora y nuestra contribución es cerrar esta brecha mediante un análisis exhaustivo de las posibles elecciones de funciones de pérdida de entrenamiento, hiperparámetros y técnicas de muestreo negativo. Finalmente, investigamos los efectos de elecciones específicas sobre la escalabilidad y precisión de los modelos de incrustación de grafos de conocimiento.