La suite de transformations géométriques bidimensionnelles a été exploitée pour modéliser les relations entre entités dans un graphe de connaissances (KG), conduisant à un modèle efficace d’embedding de graphe de connaissances (KGE), nommé CompoundE. Par ailleurs, la rotation dans l’espace tridimensionnel a été proposée comme nouveau modèle KGE, Rotate3D, en tirant parti de sa propriété non commutative. Inspirés par CompoundE et Rotate3D, nous exploitons dans ce travail des transformations géométriques tridimensionnelles composées, incluant la translation, la rotation, l’échelle, la réflexion et le cisaillement, et proposons une famille de modèles KGE, nommée CompoundE3D. CompoundE3D permet de concevoir plusieurs variantes adaptées aux diverses caractéristiques sous-jacentes d’un KG. Étant donné que chaque variante présente des avantages spécifiques sur un sous-ensemble de relations, une combinaison d’ensembles de variantes peut conduire à des performances supérieures. L’efficacité et la flexibilité de CompoundE3D ont été expérimentalement validées sur quatre jeux de données populaires pour la prédiction de liens.