Wissensgraphen-Embedding zielt darauf ab, Entitäten und Relationen von Wissensgraphen in niedrigdimensionale Vektorräume zu projizieren. Übersetzungs-basierte Embedding-Methoden betrachten Relationen als Übersetzung von Kopf-Entitäten zu Schwanz-Entitäten, was ihnen ermöglicht, die besten Ergebnisse unter den Wissensgraphen-Embedding-Methoden zu erzielen. Ein wesentlicher Nachteil dieser Methoden ist jedoch der zeitaufwendige Trainingsprozess, der für große Wissensgraphen mehrere Tage oder sogar Wochen dauern kann und dadurch praktische Anwendungen erheblich erschwert. In diesem Artikel schlagen wir einen effizienten parallelen Framework für übersetzungs-basierte Embedding-Methoden vor, genannt ParTrans-X, das es ermöglicht, diese Methoden ohne Sperren zu parallelisieren, indem es sich der ausgezeichneten Strukturen von Wissensgraphen bedient. Experimente auf zwei Datensätzen mit drei typischen übersetzungs-basierten Embedding-Methoden, nämlich TransE [3], TransH [17] und einer effizienteren Variante TransE-AdaGrad [10], bestätigen, dass ParTrans-X den Trainingsprozess um mehr als eine Größenordnung beschleunigen kann.