Im Bereich des statistischen relationalen Lernens ist das Problem der Link-Vorhersage entscheidend für die automatische Erfassung der Struktur großer Wissensbasen. Wie in früheren Studien vorgeschlagen, schlagen wir vor, dieses Problem durch latente Faktorisierung zu lösen. Allerdings nutzen wir hier komplexe Einbettungen (complex valued embeddings). Die Verknüpfung komplexer Einbettungen ermöglicht es, eine große Vielfalt an binären Relationen zu behandeln, darunter symmetrische und antisymmetrische Relationen. Im Vergleich zu den neuesten Modellen wie dem Neural Tensor Network und den holographischen Einbettungen (Holographic Embeddings) ist unser Ansatz auf Basis komplexer Einbettungen vermutlich einfacher, da er nur das hermitesche Skalarprodukt verwendet, das Pendant zum Standard-Skalarprodukt zwischen reellen Vektoren. Unser Ansatz ist skalierbar für große Datensätze, da er sowohl im Speicher- als auch im Rechenbedarf linear bleibt und gleichzeitig alternative Ansätze bei standardisierten Benchmarks der Link-Vorhersage konsequent übertrifft.