Das Lernen niedrigdimensionaler Einbettungen von Wissensgraphen ist ein leistungsfähiger Ansatz, der verwendet wird, um unbeobachtete oder fehlende Kanten zwischen Entitäten vorherzusagen. Allerdings stellt sich in diesem Bereich die offene Herausforderung, Techniken zu entwickeln, die über einfache Kantenprognosen hinausgehen und komplexere logische Abfragen verarbeiten können, die mehrere unbeobachtete Kanten, Entitäten und Variablen betreffen könnten. Zum Beispiel möchten wir bei einem unvollständigen biologischen Wissensgraphen möglicherweise vorhersagen: „Welche Arzneimittel sind wahrscheinlich in der Lage, Proteine zu beeinflussen, die sowohl mit Krankheit X als auch mit Krankheit Y in Verbindung stehen?“ – eine Abfrage, die ein Schließen über alle potentiell mit Krankheiten X und Y interagierenden Proteine erfordert. Hier stellen wir einen Rahmen vor, um effizient Vorhersagen über konjunktive logische Abfragen – eine flexible aber handhabbare Teilmenge der Prädikatenlogik erster Stufe – auf unvollständigen Wissensgraphen zu treffen. In unserem Ansatz werden Knoten des Graphen in einem niedrigdimensionalen Raum eingebettet und logische Operatoren als gelernte geometrische Operationen (z.B. Translation, Rotation) in diesem Einbettungsraum dargestellt. Durch das Ausführen logischer Operationen in einem niedrigdimensionalen Einbettungsraum erreicht unser Ansatz eine Zeitkomplexität, die linear zur Anzahl der Abfragevariablen ist, im Gegensatz zur exponentiellen Komplexität, die von einem naiven enumerationsbasierten Ansatz erforderlich wäre. Wir demonstrieren die Nützlichkeit dieses Rahmens in zwei Anwendungsstudien auf realweltlichen Datensätzen mit Millionen von Relationen: Vorhersage logischer Beziehungen in einem Netzwerk von Arzneimittel-Gen-Krankheitsinteraktionen und in einer grafischen Darstellung sozialer Interaktionen, abgeleitet aus einem beliebten Webforum.