L'apprentissage de règles logiques probabilistes a démontré une grande efficacité dans le domaine de l'extraction de règles logiques et de la complétion des graphes de connaissances. Il permet de prédire des arêtes manquantes en raison des arêtes existantes au sein du graphe de connaissances. Toutefois, les approches antérieures se sont principalement limitées à modéliser des clauses de Horn en chaîne, telles que $R_1(x,z)\land R_2(z,y)\Rightarrow H(x,y)$R1​(x,z)∧R2​(z,y)⇒H(x,y). Cette formulation ignore toutefois les informations contextuelles supplémentaires provenant des sous-graphes voisins des variables d'entités $x$x, $y$y et $z$z. Intuitivement, un écart significatif existe ici, car des études ont montré que les sous-graphes locaux apportent des informations essentielles pour la complétion des graphes de connaissances. Inspirés par ces observations, nous proposons Logical Entity RePresentation (LERP), une méthode permettant d'encoder les informations contextuelles associées aux entités dans un graphe de connaissances. Une représentation LERP est conçue comme un vecteur de fonctions logiques probabilistes définies sur le sous-graphe voisin d'une entité. Elle constitue une représentation interprétable tout en permettant une optimisation différentiable. Nous pouvons ainsi intégrer LERP à l'apprentissage de règles logiques probabilistes afin d'apprendre des règles plus expressives. Les résultats expérimentaux montrent que, grâce à LERP, notre modèle surpasser d'autres méthodes d'apprentissage de règles dans la complétion des graphes de connaissances, et se compare avantageusement, voire excède, les meilleures méthodes actuelles à base de boîtes noires. En outre, nous constatons que notre modèle est capable de découvrir une famille de règles logiques plus expressive. La méthode LERP peut également être combinée ultérieurement avec des approches d'apprentissage par embeddings, telles que TransE, afin d'améliorer encore son interprétabilité.