تهدف تقنيات تضمين الرسم البياني للمعرفة إلى تحويل الكيانات والعلاقات في الرسوم البيانية للمعرفة إلى فضاءات متجهية ذات أبعاد منخفضة. تعتبر طرق التضمين الترجماني العلاقات كترجمة من الكيانات الرئيسية إلى الكيانات الثانوية، مما يحقق أفضل النتائج بين طرق تضمين الرسم البياني للمعرفة. ومع ذلك، فإن أحد العيوب الرئيسية لهذه الطرق هو عملية التدريب المكلفة زمنياً، والتي قد تستغرق عدة أيام أو حتى أسابيع للرسوم البيانية للمعرفة الكبيرة، مما يجعل التطبيق العملي صعباً للغاية. في هذا البحث، نقترح إطار عمل متوازي كفء لطرق التضمين الترجماني يُدعى ParTrans-X، والذي يمكن هذه الطرق من العمل بشكل متوازي دون الحاجة إلى قفل عن طريق استغلال الهياكل المتميزة للرسوم البيانية للمعرفة. أثبتت التجارب على مجموعتين من البيانات باستخدام ثلاث طرق تضمين ترجماني نموذجية، وهي TransE [3] و TransH [17] وطريقة أكثر كفاءة هي TransE-AdaGrad [10]، أن ParTrans-X يمكن أن يسرع عملية التدريب بمقدار يتخطى العدد العشرة (by more than an order of magnitude).