Les concepts, qui représentent un groupe d'instances différentes partageant des propriétés communes, sont une information essentielle dans la représentation des connaissances. La plupart des méthodes traditionnelles de plongement de connaissances codent à la fois les entités (concepts et instances) et les relations sous forme de vecteurs dans un espace sémantique de faible dimension, en ignorant la différence entre concepts et instances. Dans cet article, nous proposons un nouveau modèle de plongement de graphe de connaissances nommé TransC, qui distingue les concepts des instances. Plus précisément, TransC code chaque concept du graphe de connaissances sous forme d'une sphère et chaque instance sous forme d'un vecteur dans le même espace sémantique. Nous utilisons les positions relatives pour modéliser les relations entre concepts et instances (c'est-à-dire instanceOf), ainsi que les relations entre concepts et sous-concepts (c'est-à-dire subClassOf). Nous évaluons notre modèle sur les tâches de prédiction de liens et de classification de triples à partir d'un ensemble de données basé sur YAGO. Les résultats expérimentaux montrent que TransC surpasses les méthodes les plus avancées actuellement disponibles, et capture la transitivité sémantique pour les relations instanceOf et subClassOf. Nos codes source et nos ensembles de données peuvent être obtenus à l'adresse suivante : https://github.com/davidlvxin/TransC.