En este estudio, presentamos un modelo de incrustación novedoso, llamado ResE, para predecir enlaces en grafos de conocimiento. ResE emplea convolución de separación de profundidad y bloques residuales, integrados con mecanismos de atención de canal. ResE supera a modelos previamente publicados, incluido el modelo TransE relacionado, al lograr un rango medio (MR) satisfactorio y excelentes puntajes Hits@10 en los benchmarks WN18RR y FB15K-237. ResE es un modelo prometedor para tareas de completado de grafos de conocimiento, con potencial para investigaciones adicionales y extensión a nuevas aplicaciones como modelado de relaciones orientado al usuario. Aunque comparativamente menos profundo que las arquitecturas convolucionales de visión por computadora, trabajos futuros pueden explorar modelos convolucionales más profundos. ResE muestra un rendimiento notable y supera en rendimiento a los enfoques existentes, estableciendo así un nuevo punto de referencia para el completado de grafos de conocimiento. Los resultados de nuestro estudio ilustran la eficacia de incorporar convolución de separación de profundidad y bloques residuales, acompañados de mecanismos de atención de canal, en el modelado de grafos de conocimiento. Estos hallazgos destacan el potencial de ResE para empujar los límites de vanguardia en este dominio.