El aumento en el tamaño y la complejidad de los grandes gráficos de conocimiento ahora disponibles en línea ha dado lugar a la aparición de muchos enfoques que se centran en permitir la exploración rápida del contenido de esas fuentes de datos. Se han propuesto resúmenes semánticos no cuotient estructurales en esta dirección que implican primero seleccionar los nodos más importantes y luego enlazarlos, tratando de extraer el subgrafo más útil del grafo original. Sin embargo, los sistemas actuales de última generación utilizan medidas de centralidad costosas para identificar los nodos más importantes, mientras que se han ideado procedimientos aún más costosos para enlazar los nodos seleccionados. En este artículo, abordamos ambas deficiencias aprovechando primero las incrustaciones para la selección de nodos y luego seleccionando meticulosamente algoritmos aproximados para el enlace de nodos. Los experimentos realizados en dos grandes gráficos de conocimiento del mundo real demuestran que los resúmenes construidos utilizando nuestro método disfrutan de una mejor calidad. Específicamente, los puntajes de cobertura obtenidos fueron 0.8, 0.81 y 0.81 para DBpedia v3.9 y 0.94 para el volcado de Wikidata 2018, en tamaños de resumen del 20%, 25% y 30%, respectivamente. Además, nuestro método puede calcular órdenes de magnitud más rápido que el estado del arte.