知識グラフ埋め込みは、知識グラフのエンティティとリレーションを低次元ベクトル空間に埋め込むことを目指しています。翻訳型埋め込み手法は、リレーションをヘッドエンティティからテールエンティティへの翻訳として扱い、知識グラフ埋め込み手法の中で最先端の結果を達成しています。しかし、これらの手法の主要な制約は時間のかかる学習プロセスであり、大規模な知識グラフでは数日乃至数週間かかることがあり、実用的な応用において大きな困難をもたらします。本論文では、知識グラフの特徴的な構造を利用することでロックなしで並列化が可能な効率的な並列フレームワークであるParTrans-Xを提案します。2つのデータセットと3つの典型的な翻訳型埋め込み手法（TransE [3]、TransH [17]、およびより効率的な変種であるTransE-AdaGrad [10]）を使用した実験により、ParTrans-Xが学習プロセスを1桁以上高速化できることを確認しました。