La nature ouverte des graphes de connaissances implique souvent qu'ils soient incomplets. La prédiction de liens consiste à inférer de nouveaux liens entre entités sur la base des liens existants. La plupart des approches exis- tantes s'appuient sur l'apprentissage de vecteurs de traits latents pour l'encodage des entités et des relations. En général cependant, les traits latents ne sont pas facilement interprétables. Les approches à base de règles sont interprétables mais un ensemble de règles différent doit être appris pour chaque relation. Nous proposons une nouvelle approche qui n'a pas besoin de phase d'apprentissage et qui peut fournir des explications intelligibles pour chaque inférence. Elle repose sur le calcul de Concepts de plus proches voisins (Concepts of Nearest Neighbours, CNN) pour identifier des entités similaires fondées sur des motifs de graphe communs. La théorie de Dempster-Shafer est ensuite utilisée pour tirer des inférences à partir des CNN. Nous évaluons notre approche sur FB15k-237, un benchmark classique en prédiction de liens, où elle obtient de meilleures performances que les approches existantes.