El modelado de incrustaciones de grafos de conocimiento tiene como objetivo incrustar entidades y relaciones en espacios vectoriales de baja dimensión. Los métodos existentes se centran solo en hechos triples en grafos de conocimiento. Además, los modelos basados en traducción o medición de distancia no pueden representar completamente relaciones complejas. Como conocimiento previo bien construido, los tipos de entidad pueden ser utilizados para aprender las representaciones de entidades y relaciones. En este documento, proponemos un nuevo modelo de incrustación de grafos de conocimiento llamado TransET, que aprovecha los tipos de entidad para aprender más características semánticas. Específicamente, se utiliza una convolución circular basada en las incrustaciones de entidad y tipos de entidad para mapear la entidad principal y la entidad final a representaciones específicas de tipo, luego se utiliza una función de puntuación basada en traducción para aprender los triples de presentación. Evaluamos nuestro modelo en conjuntos de datos del mundo real con dos tareas de referencia de predicción de enlaces y clasificación de triples. Los resultados experimentales demuestran que supera a los modelos de vanguardia en la mayoría de los casos.