Wir untersuchen das Problem des Lernens von Repräsentationen von Entitäten und Relationen in Wissensgraphen zur Vorhersage fehlender Verbindungen. Der Erfolg einer solchen Aufgabe hängt stark von der Fähigkeit ab, die Muster der (oder zwischen den) Relationen zu modellieren und zu inferieren. In dieser Arbeit stellen wir einen neuen Ansatz für die Einbettung von Wissensgraphen vor, der RotatE genannt wird. Dieser Ansatz ist in der Lage, verschiedene Relationmuster wie Symmetrie/Antisymmetrie, Inversion und Komposition zu modellieren und zu inferieren. Insbesondere definiert das RotatE-Modell jede Relation als eine Drehung vom Quellenobjekt zum Zielobjekt im komplexen Vektorraum. Darüber hinaus schlagen wir eine neuartige Technik des selbst-antagonistischen Negativsampling vor, um das RotatE-Modell effizient und effektiv zu trainieren. Experimentelle Ergebnisse auf mehreren Benchmark-Wissensgraphen zeigen, dass das vorgeschlagene RotatE-Modell nicht nur skalierbar ist, sondern auch in der Lage, verschiedene Relationmuster zu inferieren und zu modellieren sowie bestehende state-of-the-art Modelle für die Verbindungsprognose erheblich zu übertreffen.