La tâche de prédiction de liens dans les graphes de connaissances consiste à anticiper les relations manquantes entre entités. Les méthodes d’embedding de graphes de connaissances, qui visent à représenter les entités et les relations d’un graphe sous forme de vecteurs de faible dimension dans un espace vectoriel continu, ont permis d’obtenir des performances prédictives prometteuses. Si un modèle d’embedding peut capturer un maximum de types de motifs de connectivité et de propriétés d’application des relations, il peut potentiellement offrir des avantages significatifs pour les tâches de prédiction de liens. Dans cet article, nous proposons un nouveau modèle d’embedding, nommé LineaRE, capable de modéliser quatre motifs de connectivité (symétrie, antisymétrie, inversion et composition) ainsi que quatre propriétés d’application des relations (un-à-un, un-à-plusieurs, plusieurs-à-un et plusieurs-à-plusieurs). Plus précisément, nous considérons l’embedding de graphe de connaissances comme un problème simple de régression linéaire, dans lequel une relation est modélisée comme une fonction linéaire de deux entités représentées par des vecteurs de faible dimension, à l’aide de deux vecteurs de poids et d’un vecteur de biais. Étant donné que ces vecteurs sont définis dans un espace de nombres réels et que la fonction de notation du modèle est linéaire, notre modèle est à la fois simple et évolutif pour les grands graphes de connaissances. Les résultats expérimentaux sur plusieurs jeux de données réels largement utilisés montrent que le modèle LineaRE proposé surpasse significativement les modèles état-de-l’art existants pour les tâches de prédiction de liens.