捕捉关系的组合模式是知识图谱补全中的关键任务，同时也是实现基于学习知识的多跳推理的基础步骤。以往，多种基于旋转的平移方法被提出，通过一系列复数对角矩阵的乘积来建模复合关系。然而，这些方法往往对复合关系做出若干过于简化的假设，例如强制其满足交换性、与实体无关，且缺乏语义层次结构。为系统性地解决上述问题，我们提出了一种新型知识图谱嵌入方法——DensE，旨在为关系的复杂组合模式提供更优的建模方案。具体而言，我们的方法将每种关系分解为基于SO(3)群的旋转算子与三维（3-D）欧几里得空间中的缩放算子。这一设计原则带来了多项优势：（1）对于复合关系，其对应的对角关系矩阵可为非交换形式，更符合现实应用中的主流场景；（2）模型能够保留关系操作与实体嵌入之间的自然交互；（3）缩放操作赋予模型对实体内在语义层次结构的建模能力；（4）DensE在参数量和训练时间方面均表现出高计算效率，同时实现了更强的表达能力；（5）相较于四元数空间，将实体置于欧几里得空间中，有助于保持关系模式的直观几何解释。在多个基准知识图谱上的实验结果表明，DensE在缺失链接预测任务中显著优于当前最先进的模型，尤其在处理复合关系时表现突出。