La plupart des approches en matière de réponse à des questions sur une base de connaissances sont basées sur l'analyse sémantique. Dans cet article, nous abordons le problème d'apprentissage de représentations vectorielles pour des analyses sémantiques complexes composées de plusieurs entités et relations. Les travaux précédents se concentraient principalement sur la sélection des relations sémantiques correctes pour une question et négligeaient la structure de l'analyse sémantique : les connexions entre les entités et les directions des relations. Nous proposons d'utiliser des réseaux neuronaux graphiques à portes (Gated Graph Neural Networks) pour encoder la structure graphique de l'analyse sémantique. Nous montrons sur deux ensembles de données que les réseaux graphiques surpassent tous les modèles de référence qui ne modélisent pas explicitement la structure. L'analyse des erreurs confirme que notre approche peut traiter avec succès des analyses sémantiques complexes.