Les graphes de connaissances (KG) sont des graphes multi-relationnels composés d'entités représentées comme des nœuds et de relations entre ces entités modélisées par des arêtes typées. L'objectif de la tâche de réponse aux questions sur les graphes de connaissances (KGQA) est de répondre à des requêtes formulées en langage naturel à partir d'un KG. La KGQA à plusieurs sauts (multi-hop KGQA) nécessite un raisonnement impliquant plusieurs arêtes du KG afin d'arriver à la bonne réponse. Les KG sont souvent incomplets, avec de nombreuses liaisons manquantes, ce qui pose des défis supplémentaires pour la KGQA, en particulier pour la KGQA à plusieurs sauts. Les recherches récentes sur la KGQA à plusieurs sauts ont tenté de pallier la sparsité du KG en utilisant des textes externes pertinents, qui ne sont pas toujours facilement disponibles. Dans une autre lignée de recherche, des méthodes d'encodage des graphes de connaissances (KG embedding) ont été proposées pour réduire la sparsité du KG grâce à la prédiction de liens manquants. Bien que ces méthodes d'encodage soient très pertinentes, elles n'ont pas encore été explorées dans le cadre de la KGQA à plusieurs sauts. Nous comblons cette lacune dans cet article en proposant EmbedKGQA. EmbedKGQA s'avère particulièrement efficace pour effectuer la KGQA à plusieurs sauts sur des KG sparses. De plus, EmbedKGQA relâche la contrainte restrictive d'une sélection de réponse limitée à un voisinage prédéfini, une contrainte sous-optimale imposée par les méthodes précédentes de KGQA à plusieurs sauts. À travers des expériences étendues sur plusieurs jeux de données standard, nous démontrons l'efficacité d'EmbedKGQA par rapport à d'autres méthodes de pointe.