In dieser Arbeit gehen wir über die traditionellen komplexwertigen Darstellungen hinaus und führen ausdrucksstärkere hyperkomplexe Darstellungen ein, um Entitäten und Relationen für Wissensgraphen-Einbettungen zu modellieren. Insbesondere werden Quaternioneneinbettungen, hyperkomplexe Einbettungen mit drei imaginären Komponenten, verwendet, um Entitäten darzustellen. Relationen werden als Drehungen im Quaternionenraum modelliert. Die Vorteile des vorgeschlagenen Ansatzes sind: (1) Latente Interdependenzen (zwischen allen Komponenten) werden durch das Hamilton-Produkt angemessen erfasst, was eine kompaktere Interaktion zwischen Entitäten und Relationen fördert; (2) Quaternionen ermöglichen eine ausdrucksstarke Drehung im vierdimensionalen Raum und bieten mehr Freiheitsgrade als Drehungen in der komplexen Ebene; (3) Das vorgeschlagene Framework ist eine Verallgemeinerung von ComplEx im hyperkomplexen Raum und bietet bessere geometrische Interpretationen, während es gleichzeitig die wesentlichen Anforderungen des relationalen Repräsentationslernens erfüllt (d.h., die Modellierung von Symmetrie, Antisymmetrie und Inversion). Experimentelle Ergebnisse zeigen, dass unsere Methode auf vier etablierten Benchmarks für Wissensgraph-Vervollständigung den aktuellen Stand der Technik erreicht.