Dans cet article, nous proposons un cadre permettant de sélectionner la transformation géométrique optimale pour chaque relation afin de surmonter les limites de la transformation géométrique sous-jacente (EGT) utilisée pour représenter les relations dans les modèles d'intégration de graphes de connaissances (KGE). Alors que les modèles KGE SOTA existants représentent toutes les relations à l'aide d'une seule EGT ou d'une EGT composite, notre cadre évalue l'EGT la plus appropriée pour chaque relation et l'attribue à chaque relation ou sélectionne une EGT par vote majoritaire. Nous apprenons les EGT spécifiques à chaque relation grâce à un mécanisme d'attention dans un espace vectoriel de faible dimension, et utilisons la corrélation entre les relations apprises et les EGT pour l'intégration de relations dans un espace vectoriel de grande dimension. Grâce à des expériences sur trois graphes de connaissances de référence et un véritable graphe de connaissances financières, nous démontrons que les performances sont comparables à celles des modèles de pointe.
