Les modèles d’embedding de graphes de connaissances (KGE) apprennent les représentations des entités et des relations au sein des graphes de connaissances. Les méthodes basées sur les distances obtiennent des performances prometteuses sur la tâche de prédiction de liens, qui consiste à prédire un lien en se basant sur la distance entre les représentations de deux entités. Toutefois, la plupart de ces méthodes représentent séparément l’entité tête et l’entité queue, ce qui limite la capacité du modèle. Nous proposons deux nouvelles méthodes basées sur les distances, nommées InterHT et InterHT+, qui permettent une meilleure interaction entre les entités tête et queue, conduisant à des représentations d’entités améliorées. Les résultats expérimentaux montrent que notre méthode atteint les meilleurs résultats sur le jeu de données ogbl-wikikg2.