Diese Arbeit präsentiert eine translationsbasierte Methode zur Embedding von Wissensgraphen mittels effizienter Relationsrotation (TransERR), eine einfache aber effektive Alternative zu traditionellen translationsbasierten Modellen für Wissensgraphen-Embedding. Im Gegensatz zu früheren translationsbasierten Modellen kodiert TransERR Wissensgraphen im hyperkomplexen Wertebereich, wodurch eine höhere Freiheit bei der Translation ermöglicht wird, um latente Informationen zwischen Kopf- und Tail-Entitäten zu erschließen. Um die Translation-Distanz weiter zu minimieren, rotiert TransERR adaptiv die Kopf- und Tail-Entitäten mit ihren jeweiligen Einheitsquaternionen, die während des Modelltrainings lernbar sind. Zudem liefern wir mathematische Beweise, die die Fähigkeit von TransERR belegen, verschiedene Relationenmuster zu modellieren, darunter Symmetrie, Antisymmetrie, Inversion, Komposition und Unterrelationen. Experimente auf zehn Benchmark-Datensätzen bestätigen die Wirksamkeit und Generalisierbarkeit von TransERR. Die Ergebnisse zeigen außerdem, dass TransERR große Datensätze mit weniger Parametern effizienter kodieren kann als frühere translationsbasierte Modelle. Unser Code und die Datensätze sind unter ~\url{https://github.com/dellixx/TransERR} verfügbar.