L’intégration des graphes de connaissances est une tâche fondamentale qui bénéficie à de nombreuses applications ultérieures. Actuellement, les méthodes basées sur les réseaux neuronaux profonds atteignent des performances de pointe. Toutefois, la plupart de ces approches existantes sont très complexes et nécessitent un temps considérable pour l’entraînement et la phase d’inférence. Pour remédier à ce problème, nous proposons une méthode simple mais efficace d’intégration des graphes de connaissances basée sur la convolution à trous. Par rapport aux méthodes de pointe actuelles, notre approche présente les caractéristiques principales suivantes. Premièrement, elle renforce efficacement les interactions entre caractéristiques grâce à l’utilisation de convolutions à trous. Deuxièmement, pour résoudre les problèmes de perte d’informations initiales et de gradients qui disparaissent ou explosent, elle adopte une méthode d’apprentissage résiduel. Troisièmement, elle présente une structure plus simple tout en offrant une efficacité paramétrique bien supérieure. Nous évaluons notre méthode sur six jeux de données standard, utilisant différentes métriques d’évaluation. Des expériences étendues montrent que notre modèle est très efficace : sur ces jeux de données diversifiés, il obtient de meilleurs résultats que les méthodes de pointe comparées sur la majorité des métriques. Le code source de notre modèle est disponible à l’adresse suivante : https://github.com/neukg/AcrE.