Los gráficos de conocimiento han ganado popularidad en los últimos años, demostrando su utilidad en aplicaciones a lo largo del espectro de la informática. Encontrar sus representaciones incrustadas es altamente deseable, ya que permite que sean fácilmente operadas y razonadas por las máquinas. Con esto en mente, proponemos una metaestrategia simple para incrustar gráficos de conocimiento utilizando el engrosamiento probabilístico. En este enfoque, un gráfico de conocimiento es primero engrosado antes de ser incrustado por un método de incrustación arbitrario. Las incrustaciones gruesas resultantes se extienden luego como las del gráfico de conocimiento inicial. Aunque directo, esto permite un entrenamiento más rápido al reducir la complejidad del gráfico de conocimiento mientras revela sus estructuras de orden superior. Demostramos esto empíricamente en cuatro conjuntos de datos del mundo real, que muestran que las incrustaciones gruesas se aprenden más rápido y a menudo son de mayor calidad. Concluimos que el engrosamiento es un paso de preprocesamiento recomendado independientemente del método de incrustación subyacente utilizado.