L’alignement et la complétion des graphes de connaissances (KG) sont généralement traités comme deux tâches indépendantes. Bien que les travaux récents aient exploité les alignements d’entités et de relations entre plusieurs KG, notamment les alignements entre KG multilingues partageant des entités et des relations communes, la compréhension approfondie de la manière dont la complétion de KG multilingues (MKGC) peut soutenir la création d’alignements de KG multilingues (MKGA) reste limitée. Inspirés par l’observation selon laquelle les incohérences structurelles — principale difficulté des modèles d’alignement — peuvent être atténuées grâce à des méthodes de complétion de KG, nous proposons un nouveau modèle permettant de compléter et d’aligner simultanément les graphes de connaissances. Ce modèle combine deux composants qui accomplissent conjointement la complétion et l’alignement. Ces deux composants utilisent des réseaux de neurones graphiques sensibles aux relations, que nous introduisons pour encoder les structures de voisinage à plusieurs sauts dans les représentations des entités et des relations. En outre, nous proposons : (i) un mécanisme de réduction des incohérences structurelles, permettant d’intégrer les informations provenant de la complétion dans le composant d’alignement ; et (ii) un mécanisme d’agrandissement des graines d’alignement et de transfert de triplets, visant à élargir les graines d’alignement et à transférer des triplets pendant le processus d’alignement. Des expériences étendues sur une base de données multilingue publique montrent que notre modèle surpasser les méthodes de référence existantes, atteignant de nouveaux résultats d’état de l’art sur les tâches de MKGC et de MKGA. Nous mettons publiquement à disposition l’implémentation de notre modèle à l’adresse suivante : https://github.com/vinhsuhi/JMAC