De nos jours, il existe un intérêt croissant pour les applications d'exploration de données et de recherche d'informations à partir de graphes de connaissances (KG). Cependant, ces derniers (KG) souffrent de plusieurs problèmes liés à la qualité des données tels que l'exhaustivité, l'inexactitude et différents types d'erreurs. Dans DBpedia, il existe plusieurs problèmes liés à la qualité des données. Parmi eux, nous nous concentrons sur les points suivants : plusieurs entités se trouvent dans des classes auxquelles elles n'appartiennent pas. Par exemple, une requête visant à obtenir toutes les entités de la classe Person renvoie également des groupes, alors que ceux-ci devraient être dans la classe Group. Nous appelons ces entités "outliers". La découverte de ces entités aberrantes est très importante pour l'apprentissage et la compréhension des classes. Dans cet article, nous proposons une nouvelle méthode de détection de ces entités aberrantes. Nous définissons une mesure sémantique qui favorise les entités réelles de la classe (inliers) avec des valeurs positives tout en pénalisant les outliers avec des valeurs négatives et nous l'améliorons avec la découverte d'itemsets fréquents et rares. Notre mesure est plus performante que celle du FPOF (frequent pattern outlier factor). Les expériences montrent l'efficacité de notre approche.