Ces dernières années, l’embedding des graphes de connaissances est devenu un sujet de recherche très actif en intelligence artificielle et joue un rôle de plus en plus essentiel dans diverses applications ultérieures, telles que la recommandation et la réponse aux questions. Toutefois, les méthodes existantes pour l’embedding des graphes de connaissances peinent à trouver un équilibre adéquat entre la complexité du modèle et son expressivité, ce qui les rend encore insatisfaisantes. Pour atténuer ce problème, nous proposons un cadre modélisation léger capable d’atteindre une expressivité relationnelle très compétitive sans augmenter la complexité du modèle. Notre cadre se concentre sur la conception de fonctions de notation et met en évidence deux caractéristiques cruciales : 1) favoriser des interactions suffisantes entre les caractéristiques ; 2) préserver à la fois les propriétés de symétrie et d’antisymétrie des relations. Il est à noter que, grâce à une conception générale et élégante des fonctions de notation, notre cadre peut intégrer de nombreuses méthodes existantes célèbres comme cas particuliers. En outre, des expériences étendues sur des benchmarks publics démontrent l’efficacité et la performance de notre cadre. Les codes sources et les données sont disponibles à l’adresse suivante : \url{https://github.com/Wentao-Xu/SEEK}.