L’embedding des graphes de connaissance a été un domaine de recherche actif pour la complétion des bases de connaissances (KGC), avec une amélioration progressive depuis les premiers modèles comme TransE, TransH, RotatE, jusqu’aux états de l’art actuels tels que QuatE. Toutefois, QuatE ignore la nature multifacette des entités ainsi que la complexité des relations, se contentant d’opérations rigoureuses dans l’espace des quaternions pour capturer les interactions entre paires d’entités et relations, laissant ainsi des opportunités pour une représentation plus riche des connaissances, susceptible d’améliorer finalement la performance de la KGC. Dans cet article, nous proposons un nouveau modèle, QuatDE, basé sur une stratégie de mise en correspondance dynamique, permettant de capturer explicitement la diversité des motifs relationnels et de séparer les différentes informations sémantiques des entités. En utilisant des vecteurs de transition pour ajuster la position des vecteurs d’embedding des entités dans l’espace des quaternions via le produit de Hamilton, ce modèle renforce la capacité d’interaction des éléments du triplet. Les résultats expérimentaux montrent que QuatDE atteint des performances de pointe sur trois benchmarks bien établis de complétion des graphes de connaissance. En particulier, l’évaluation en termes de MR a augmenté de 26 % sur WN18 et de 15 % sur WN18RR, ce qui démontre la généralisation efficace de QuatDE.