在知识图谱（KG）的表示学习领域中，超关系事实由一个主三元组和若干个辅助属性值描述组成，被认为比基于三元组的事实更加全面和具体。然而，目前可用的单视图超关系KG嵌入方法由于削弱了表示实体之间隶属关系的层次结构而在应用上受到限制。为了解决这一问题，我们提出了一种双视图超关系KG结构（DH-KG），该结构包含用于实体的超关系实例视图和从实体中分层抽象出的概念的超关系本体视图。本文首次定义了在DH-KG上的链接预测和实体分类任务，并构建了两个DH-KG数据集：从Wikidata提取的JW44K-6K和基于医疗数据的HTDM。此外，我们提出了DHGE，一种基于GRAN编码器、HGNNs和联合学习的DH-KG嵌入模型。实验结果表明，DHGE在DH-KG上的表现优于基线模型。最后，我们提供了一个如何利用这项技术治疗高血压的例子。我们的模型和新数据集均已公开发布。