表型-药物-分子多层次知识图谱中蕴含了大量疾病、药物等之间的关系数据，其可用于致病、药理机制的研究。然而由于知识图谱天然的不完备性，需要一种新型链接预测模型用于挖掘该图谱中实体间的潜在未知关系。我们基于Transformer框架设计了一种新型知识图谱嵌入模型，其中Transformer框架有利于对实体、关系的上下文信息进行建模。我们进一步提出了两点改进。一：针对Transformer中的自注意力模块是顺序无关的，提出了一种新的位置编码方式。主要基于TransE中的建模方式，分别为头、尾实体设计了独特的语义组合算子，并将语义嵌入进行组合作为位置编码；二：在掩码式的训练方式中，只考虑了掩码处的输出，忽略了其他位置处的输出对最终预测的影响。据此，我们采用类似的语义组合方式对其他位置的输出进行组合，从而为训练目标增加了一个损失项，充分利用了输出层所有位置的表示。我们提出的方法在评测数据集上取得了最好的成绩，一定程度验证了我们提出的改进模块的有效性。