En este artículo, proponemos un marco para seleccionar la transformación geométrica óptima para cada relación, superando así las limitaciones de la transformación geométrica subyacente (EGT) utilizada para representar relaciones en modelos de incrustación de grafos de conocimiento (KGE). Mientras que los modelos SOTA KGE existentes representan todas las relaciones utilizando una EGT única o compuesta, nuestro marco evalúa la EGT más apropiada para cada relación y la asigna a cada relación o selecciona una EGT mediante votación mayoritaria. Aprendemos EGT específicas de cada relación mediante un mecanismo de atención en un espacio vectorial de baja dimensión y utilizamos la correlación entre las relaciones aprendidas y las EGT para la incrustación de relaciones en un espacio vectorial de alta dimensión. Mediante experimentos con tres grafos de conocimiento de referencia y un grafo de conocimiento financiero real, demostramos que el rendimiento es comparable al de los modelos más avanzados.
