Les graphes de connaissances hyper-relationnels (KGs) (par exemple, Wikidata) permettent d’associer des paires clé-valeur supplémentaires à un triplet principal afin de lever les ambigüités ou de restreindre la validité d’un fait. Dans ce travail, nous proposons un encodeur de graphe basé sur le passage de messages — StarE — capable de modéliser de tels KGs hyper-relationnels. Contrairement aux approches existantes, StarE peut encoder un nombre arbitraire d’informations supplémentaires (qualificateurs) associées au triplet principal tout en préservant intégralement les rôles sémantiques des qualificateurs et des triples. Nous démontrons également que les benchmarks existants pour évaluer les performances de prédiction de liens (LP) sur les KGs hyper-relationnels souffrent d’insuffisances fondamentales, et nous proposons donc un nouveau jeu de données basé sur Wikidata — WD50K. Nos expérimentations montrent que le modèle LP fondé sur StarE surpasse les approches existantes sur plusieurs benchmarks. Nous confirmons également que l’exploitation des qualificateurs est essentielle pour la prédiction de liens, offrant des gains allant jusqu’à 25 points de MRR par rapport aux représentations basées uniquement sur les triples.