Les techniques fondées sur l’apprentissage profond sont de plus en plus utilisées pour diverses tâches d’apprentissage automatique sur les graphes de connaissances. Bien qu’il ait été démontré empiriquement que ces méthodes obtiennent souvent de meilleures performances prédictives que leurs homologues classiques, qui extraient des caractéristiques à partir du graphe, elles souffrent d’un manque d’interprétabilité. Cette dernière constitue un élément essentiel dans des domaines sensibles tels que la santé et le secteur financier. Dans cet article, nous proposons une technique qui construit un arbre de décision composé de sous-structures spécifiques à chaque classe afin de classifier différentes entités au sein du graphe de connaissances. Nous montrons que notre méthode est compétitive par rapport aux techniques de pointe basées sur l’apprentissage profond sur quatre jeux de données standard, tout en restant entièrement interprétable.