Wissensgraph-Embedding ist ein aktives Forschungsfeld für die Vervollständigung von Wissensbasen (Knowledge Base Completion, KGC), wobei sich die Leistung kontinuierlich von den Anfängen mit Modellen wie TransE, TransH, RotatE bis hin zu den aktuellen State-of-the-Art-Modellen wie QuatE verbessert hat. Dennoch berücksichtigt QuatE die mehrdimensionale Natur von Entitäten und die Komplexität von Relationen nicht ausreichend, sondern beschränkt sich lediglich auf strenge Operationen im Quaternionenraum, um die Wechselwirkungen zwischen Entitätenpaaren und Relationen zu erfassen. Dadurch bleiben Potenziale für eine verbesserte Wissensrepräsentation ungenutzt, die letztlich die KGC-Performance steigern könnte. In diesem Artikel stellen wir ein neuartiges Modell, QuatDE, vor, das eine dynamische Abbildungsstrategie verwendet, um explizit die Vielfalt relationaler Muster zu erfassen und verschiedene semantische Informationen einer Entität zu trennen. Mittels Übergangsvektoren wird die Position der Entitäts-Embedding-Vektoren im Quaternionenraum über das Hamilton-Produkt angepasst, wodurch die Merkmalsinteraktion innerhalb der Tripel verbessert wird. Experimentelle Ergebnisse zeigen, dass QuatDE auf drei etablierten Benchmarks für Wissensgraph-Vervollständigung die derzeit beste Leistung erzielt. Insbesondere steigt die MR-Evaluation auf WN18 um 26 % und auf WN18RR um 15 %, was die Generalisierbarkeit von QuatDE belegt.