Das Lernen von Einbettungen (Embeddings) von Entitäten und Relationen ist eine effiziente und vielseitige Methode, um maschinelles Lernen auf relationalen Daten wie Wissensgraphen durchzuführen. In dieser Arbeit schlagen wir holographische Einbettungen (HolE) vor, um kompositionale Vektordarstellungen gesamter Wissensgraphen zu erlernen. Das vorgeschlagene Verfahren ist verwandt mit holographischen Modellen des assoziativen Gedächtnisses, da es die zirkuläre Korrelation verwendet, um kompositionale Darstellungen zu erstellen. Durch die Verwendung der Korrelation als kompositionaler Operator können HolE reichhaltige Interaktionen erfassen, bleiben aber gleichzeitig effizient im Berechnungsaufwand, einfach zu trainieren und skalierbar auf sehr große Datensätze. In umfangreichen Experimenten zeigen wir, dass holographische Einbettungen in der Lage sind, den aktuellen Stand der Technik bei der Link-Vorhersage in Wissensgraphen und relationalen Benchmark-Datensätzen zu übertreffen.