Le complétion de graphe de connaissances (KGC) vise à découvrir les relations manquantes entre les entités dans les graphes de connaissances (KGs). La plupart des travaux antérieurs en KGC se concentrent sur l'apprentissage d'embeddings pour les entités et les relations à travers une fonction de score simple. Cependant, un espace d'embedding de dimension supérieure est généralement nécessaire pour une meilleure capacité de raisonnement, ce qui entraîne une taille de modèle plus importante et entrave l'application à des problèmes réels (par exemple, des KGs à grande échelle ou le calcul mobile/aux bords). Dans cette étude, une solution KGC légère et modulaire, appelée GreenKGC, est proposée pour résoudre ce problème. GreenKGC comprend trois modules : apprentissage de représentation, élagage des caractéristiques et apprentissage de décision, afin d'extraire des caractéristiques discriminantes du KG et de faire des prédictions précises sur les relations manquantes en utilisant des classifieurs et un échantillonnage négatif. Les résultats expérimentaux montrent que, dans des dimensions basses, GreenKGC peut surpasser les méthodes SOTA dans la plupart des jeux de données. De plus, GreenKGC en dimensions basses peut atteindre une performance compétitive ou même supérieure aux modèles en dimensions élevées avec une taille de modèle beaucoup plus petite.