El embebido de grafos de conocimiento puede aprender representaciones vectoriales de bajo rango para entidades y relaciones de grafos de conocimiento, y ha sido un tema principal de investigación para la completación de grafos de conocimiento. Varios trabajos recientes sugieren que los modelos basados en redes neuronales convolucionales (CNN) pueden capturar interacciones entre las incrustaciones de cabeza y relación, y por lo tanto, funcionan bien en la completación de grafos de conocimiento. Sin embargo, los modelos de redes convolucionales anteriores han ignorado las diferentes contribuciones de las diferentes características de interacción a los resultados experimentales. En este artículo, proponemos un nuevo modelo de embebido llamado DyConvNE para la completación de bases de conocimiento. Nuestro modelo DyConvNE utiliza un núcleo de convolución dinámico porque el núcleo de convolución dinámico puede asignar pesos de importancia variable a las características de interacción. También proponemos un nuevo método de muestreo negativo, que extrae muestras negativas difíciles como muestras negativas adicionales para el entrenamiento. Hemos realizado experimentos en los conjuntos de datos WN18RR y FB15k-237, y los resultados muestran que nuestro método es mejor que varios otros algoritmos de referencia para la completación de grafos de conocimiento. Además, utilizamos un nuevo método de prueba al predecir los valores de Hits@1 de WN18RR y FB15k-237, llamado prueba de relación específica. Este método ofrece aproximadamente una mejora relativa del 2% sobre los modelos que no utilizan este método en términos de Hits@1.