La prédiction de liens sur les graphes de connaissances hyper-relationnels (HKG) constitue une tâche d'une importance significative. Un HKG est composé de faits hyper-relationnels (H-Facts), qui se structurent autour d’un triple principal enrichi par plusieurs qualificatifs attribut-valeur, permettant ainsi de représenter de manière factuellement complète des informations complexes. La structure interne de l’HKG peut être modélisée globalement sous forme d’un hypergraphe et localement sous forme de séquence sémantique. Toutefois, les recherches existantes modélisent rarement simultanément les structures graphiques et séquentielles des HKG, ce qui limite leur capacité d’expression. Pour surmonter cette limitation, nous proposons un nouveau modèle hiérarchique à attention pour l’embedding des HKG, nommé HAHE, intégrant une attention au niveau global et une attention au niveau local. L’attention au niveau global permet de modéliser la structure graphique de l’HKG à l’aide de couches d’attention dual hypergraphe, tandis que l’attention au niveau local permet d’apprendre la structure séquentielle à l’intérieur des H-Facts grâce à des couches d’attention auto-hétérogène. Les résultats expérimentaux montrent que HAHE atteint un niveau d’performance optimal sur les tâches de prédiction de liens sur des jeux de données standards d’HKG. En outre, HAHE aborde pour la première fois le problème de la prédiction de liens à plusieurs positions dans les HKG, augmentant ainsi la faisabilité et l’application pratique de cette tâche. Le code source de notre modèle est disponible publiquement.