L'apprentissage des plongements (embeddings) d'entités et de relations est une méthode efficace et polyvalente pour effectuer l'apprentissage automatique (machine learning) sur des données relationnelles telles que les graphes de connaissances. Dans ce travail, nous proposons les plongements holographiques (HolE) pour apprendre des représentations vectorielles compositionnelles d'ensembles entiers de graphes de connaissances. La méthode proposée est liée aux modèles holographiques de la mémoire associative en ce qu'elle utilise la corrélation circulaire pour créer des représentations compositionnelles. En utilisant la corrélation comme opérateur compositionnel, HolE peut capturer des interactions riches tout en restant efficace à calculer, facile à entraîner et scalable à des jeux de données très volumineux. À travers des expériences approfondies, nous montrons que les plongements holographiques sont capables de surpasser les méthodes de pointe pour la prédiction de liens dans les graphes de connaissances et les jeux de données de référence en apprentissage relationnel.