Semantische Graphen wie WordNet sind Ressourcen, die natürliche Sprache auf zwei unterscheidbaren Ebenen konservieren und verwalten. Auf der lokalen Ebene verbessern individuelle Beziehungen zwischen Synsets (semantischen Bausteinen), wie Hyperonymie und Meronymie, unser Verständnis der Wörter, die verwendet werden, um ihre Bedeutungen auszudrücken. Global erhellen die Analysen graphentheoretischer Eigenschaften des gesamten Netzes die Struktur der menschlichen Sprache insgesamt. In dieser Arbeit kombinieren wir globale und lokale Eigenschaften semantischer Graphen durch das Framework von Max-Margin Markov Graph Modellen (M3GM), eine neuartige Erweiterung des Exponential Random Graph Modells (ERGM), das auf große multirelationale Graphen skaliert. Wir zeigen, wie solches globales Modellieren die Leistung bei der lokalen Aufgabe der Vorhersage semantischer Beziehungen zwischen Synsets verbessert und neue Stand-von-der-Kunst-Ergebnisse auf dem WN18RR-Datensatz erzielt, einer anspruchsvollen Version der WordNet-Link-Vorhersage, bei der leicht zu lösende gegenseitige Fälle entfernt wurden. Darüber hinaus identifiziert das M3GM-Modell multirelationale Motive, die für gut strukturierte lexikalische semantische Ontologien charakteristisch sind.