Les modèles neuronaux de données de base de connaissances ont généralement utilisé des représentations compositionnelles d'objets graphiques : les plongements (embeddings) d'entités et de relations sont systématiquement combinés pour évaluer la vérité d'une entrée candidate dans la base de connaissances. En nous inspirant d'un modèle basé sur la grammaire harmonique, nous proposons de tokeniser les plongements de triplets en les soumettant à un processus d'optimisation par rapport aux conditions bien formées apprises sur les triplets de la base de connaissances. Le modèle résultant, connu sous le nom de Graphes Gradient, apporte des améliorations notables lorsqu'il est mis en œuvre comme complément des modèles compositionnels. De plus, nous montrons que les plongements de triplets « supracompositionnels » qu'il produit possèdent des propriétés interprétables qui s'avèrent utiles pour effectuer des inférences sur les représentations de triplets résultantes.