Dans le domaine de l'apprentissage de représentation sur les graphes de connaissances (GCs), un fait hyper-relationnel se compose d'un triplet principal et de plusieurs descriptions auxiliaires d'attribut-valeur, ce qui est considéré comme plus complet et spécifique qu'un fait basé sur des triplets. Cependant, les méthodes actuelles d'embedding hyper-relationnel des GCs en vue unique sont limitées dans leur application car elles affaiblissent la structure hiérarchique qui représente l'affiliation entre les entités. Pour surmonter cette limitation, nous proposons une structure GC hyper-relationnelle à double vue (DH-GC) comprenant une vue d'instance hyper-relationnelle pour les entités et une vue ontologique hyper-relationnelle pour les concepts abstraits hiérarchiquement à partir des entités. Ce document définit pour la première fois les tâches de prédiction de liens et de typage d'entités sur le DH-GC et construit deux jeux de données DH-GC, JW44K-6K, extraits de Wikidata, et HTDM basés sur des données médicales. De plus, nous proposons DHGE, un modèle d'embedding DH-GC basé sur des encodeurs GRAN, des HGNNs et un apprentissage conjoint. Selon les résultats expérimentaux, DHGE surpasses les modèles de base sur le DH-GC. Enfin, nous fournissons un exemple montrant comment cette technologie peut être utilisée pour traiter l'hypertension artérielle. Notre modèle et nos nouveaux jeux de données sont disponibles au public.