链接预测对于在下游任务中应用不完整的知识图谱（KG）至关重要。作为链接预测的有效方法之一，嵌入方法试图学习实体和关系的低秩表示，使得其中定义的双线性形式成为一个良好的评分函数。尽管这些方法表现出色，但现有的双线性形式忽略了对关系组合的建模，导致在知识图谱上的推理缺乏可解释性。为了填补这一空白，我们提出了一种新的模型——DihEdral，该模型以二面体对称群命名。DihEdral 学习的知识图谱嵌入能够自然地捕捉关系组合。此外，我们的方法通过离散值参数化关系嵌入，从而大幅减少解空间。实验结果表明，DihEdral 能够捕捉所有期望的属性，如（斜）对称性、逆性和（非）阿贝尔组合性，并且其性能优于现有的基于双线性形式的方法，与 ConvE 等深度学习模型相当或更好。