Le raisonnement multi-étape sur les graphes de connaissances (KG) est une méthode efficace et explicable pour prédire l'entité cible via des chemins de raisonnement dans la tâche de réponse à des requêtes (QA). La plupart des méthodes précédentes supposent que chaque relation dans les KG dispose de suffisamment de triplets d'entraînement, sans tenir compte des relations à faibles occurrences qui ne peuvent pas fournir un nombre suffisant de triplets pour entraîner des modèles de raisonnement robustes. En réalité, les performances des méthodes actuelles de raisonnement multi-étape diminuent considérablement pour les relations à faibles occurrences. Dans cet article, nous proposons une méthode de raisonnement multi-étape basée sur le méta-apprentissage (Meta-KGR), qui utilise le méta-apprentissage pour apprendre des paramètres méta efficaces à partir des relations fréquentes afin de s'adapter rapidement aux relations à faibles occurrences. Nous évaluons Meta-KGR sur deux ensembles de données publics tirés de Freebase et NELL, et les résultats expérimentaux montrent que Meta-KGR surpassent les méthodes actuelles les plus avancées dans les scénarios à faibles occurrences. Notre code source et nos ensembles de données sont disponibles sur https://github.com/THU-KEG/MetaKGR.