La prédiction de liens est cruciale pour l'application des graphes de connaissances incomplets (KG) dans les tâches en aval. En tant que famille d'approches efficaces pour la prédiction de liens, les méthodes d'embedding cherchent à apprendre des représentations de faible rang pour les entités et les relations, de manière à ce que la forme bilinéaire définie soit une fonction de score bien comportée. Malgré leurs performances réussies, les formes bilinéaires existantes négligent la modélisation des compositions de relations, entraînant un manque d'interprétabilité pour le raisonnement sur le graphe de connaissances. Pour combler cette lacune, nous proposons un nouveau modèle appelé DihEdral, nommé d'après le groupe de symétrie dièdre. Ce nouveau modèle apprend des embeddings de graphe de connaissances capables de capturer naturellement les compositions de relations. De plus, notre approche modélise les embeddings relationnels paramétrés par des valeurs discrètes, réduisant ainsi drastiquement l'espace des solutions. Nos expériences montrent que DihEdral est capable de capturer toutes les propriétés souhaitées telles que la (anti-)symétrie, l'inversion et la composition (non-) abélienne, et surpassent les approches existantes basées sur la forme bilinéaire tout en étant comparable ou supérieure aux modèles d'apprentissage profond tels que ConvE.