Les graphes sémantiques, tels que WordNet, sont des ressources qui organisent le langage naturel sur deux niveaux distincts. Au niveau local, les relations individuelles entre les synsets (blocs de construction sémantique), telles que l'hyperonymie et la méronymie, améliorent notre compréhension des mots utilisés pour exprimer leurs significations. Sur le plan global, l'analyse des propriétés théoriques des graphes de l'ensemble du réseau éclaire la structure du langage humain dans son ensemble. Dans cet article, nous combinons les propriétés globales et locales des graphes sémantiques à travers le cadre des Modèles de Graphe de Markov à Marge Maximale (M3GM), une nouvelle extension du Modèle de Graphe Aléatoire Exponentiel (ERGM) qui peut être appliquée à de grands graphes multi-relationnels. Nous montrons comment un tel modèle global améliore les performances sur la tâche locale de prédiction des relations sémantiques entre les synsets, en obtenant de nouveaux résultats d'état de l'art sur l'ensemble de données WN18RR, une version difficile de la prédiction des liens WordNet où les cas réciproques "faciles" sont supprimés. De plus, le modèle M3GM identifie des motifs multi-relationnels caractéristiques des ontologies lexicales sémantiques bien formées.