Die Kaskade zweidimensionaler geometrischer Transformationen wurde genutzt, um Beziehungen zwischen Entitäten in einem Wissensgraphen (Knowledge Graph, KG) zu modellieren, was zu einem effektiven Wissensgraphen-Embedding-Modell, CompoundE, führte. Darüber hinaus wurde die Rotation im dreidimensionalen Raum als neues KGE-Modell, Rotate3D, vorgeschlagen, indem deren nicht-kommutative Eigenschaft ausgenutzt wurde. Inspiriert durch CompoundE und Rotate3D nutzen wir in dieser Arbeit dreidimensionale zusammengesetzte geometrische Transformationen – einschließlich Translation, Rotation, Skalierung, Spiegelung und Scherung – und stellen eine Familie von KGE-Modellen namens CompoundE3D vor. CompoundE3D ermöglicht verschiedene Designvarianten, die unterschiedliche tiefgreifende Eigenschaften eines Wissensgraphen abbilden können. Da jede Variante jeweils bestimmte Vorteile für eine Teilmenge der Relationen aufweist, kann eine Ensemble-Annäherung mehrerer Varianten eine überlegene Gesamtleistung erzielen. Die Wirksamkeit und Flexibilität von CompoundE3D werden experimentell an vier etablierten Datensätzen für die Link-Vorhersage bestätigt.