Les plongements de graphes de connaissances figurent parmi les méthodes les plus réussies pour la prédiction de liens dans les graphes de connaissances, c'est-à-dire la tâche consistant à compléter une collection incomplète de faits relationnels. Un inconvénient majeur de ces modèles est leur forte sensibilité aux hyperparamètres du modèle, en particulier aux régularisateurs, qui doivent être ajustés de manière extensive pour atteindre de bonnes performances [Kadlec et al., 2017]. Nous proposons une méthode efficace pour l'ajustement à grande échelle des hyperparamètres en interprétant ces modèles dans un cadre probabiliste. Après une augmentation du modèle qui introduit des hyperparamètres spécifiques à chaque entité, nous utilisons une approche variationnelle d'espérance-maximisation pour ajuster des milliers d'hyperparamètres avec un coût supplémentaire minimal. Notre approche est indifférente aux détails du modèle et aboutit à un nouveau niveau d'excellence dans la prédiction de liens sur des données de référence standard.