Les modèles d’embedding des graphes de connaissances apprennent des représentations des entités et des relations dans les graphes de connaissances afin de prédire les liens (relations) manquants entre les entités. Leur efficacité dépend fortement de leur capacité à modéliser et à inférer diverses structures de relations, telles que la symétrie, l’asymétrie, l’inversion, la composition et la transitivité. Bien que les modèles existants soient déjà capables de représenter de nombreuses de ces structures, la transitivité — un motif relationnel très courant — n’est pas encore pleinement prise en charge. Dans cet article, nous montrons d’abord théoriquement que les relations transitives peuvent être modélisées à l’aide de projections. Nous proposons ensuite le modèle Rot-Pro, qui combine de manière synergique la projection et la rotation relationnelle. Nous démontrons que Rot-Pro est capable d’inférer l’ensemble des motifs relationnels mentionnés ci-dessus. Les résultats expérimentaux montrent que le modèle Rot-Pro apprend efficacement le motif de transitivité et atteint des performances de pointe sur la tâche de prédiction de liens dans des jeux de données contenant des relations transitives.