Dans cette étude, nous dépassons les représentations complexes traditionnelles en introduisant des représentations hypercomplexes plus expressives pour modéliser les entités et les relations dans les plongements de graphes de connaissances. Plus précisément, des plongements quaternioniques, qui sont des plongements hypercomplexes avec trois composantes imaginaires, sont utilisés pour représenter les entités. Les relations sont modélisées comme des rotations dans l'espace quaternionique. Les avantages de l'approche proposée sont les suivants : (1) Les interdépendances latentes (entre toutes les composantes) sont capturées efficacement par le produit de Hamilton, favorisant une interaction plus compacte entre les entités et les relations ; (2) Les quaternions permettent des rotations expressives dans l'espace à quatre dimensions et offrent plus de degrés de liberté que la rotation dans le plan complexe ; (3) Le cadre proposé est une généralisation de ComplEx dans l'espace hypercomplexe tout en offrant de meilleures interprétations géométriques, satisfaisant simultanément aux critères clés de l'apprentissage de représentation relationnelle (c'est-à-dire la modélisation de la symétrie, de l'antisymétrie et de l'inversion). Les résultats expérimentaux montrent que notre méthode atteint des performances d'état de l'art sur quatre benchmarks bien établis pour le complétion des graphes de connaissances.