Bewertungsfunktionen (SFs), die die Plausibilität von Tripeln in Wissensgraphen (KG) messen, sind zum Kern der KG-Embedding geworden. In den letzten Jahren haben Menschen zahlreiche SFs entwickelt, die darauf abzielen, verschiedene Arten von Beziehungen in KGs zu erfassen. Allerdings können Beziehungen komplexe Muster aufweisen, die vor dem Training schwer zu erschließen sind, sodass keine dieser SFs konsistent besser als andere auf bestehenden Benchmark-Datensätzen performt. In dieser Arbeit, inspiriert durch den jüngsten Erfolg automatisierter Maschinelles Lernen (AutoML), schlagen wir vor, SFs (AutoSF) für unterschiedliche KGs automatisch durch AutoML-Techniken zu entwerfen. Es ist jedoch nicht trivial, hier domänenspezifische Informationen zu nutzen, um AutoSF effizient und wirksam zu gestalten. Wir identifizieren zunächst eine einheitliche Darstellung über häufig verwendete SFs, was hilft, einen Suchraum für AutoSF festzulegen. Anschließend schlagen wir einen gierigen Algorithmus vor, um diesen Raum effizient zu durchsuchen. Der Algorithmus wird durch einen Filter und einen Prädiktor weiter beschleunigt, die das wiederholte Training von SFs mit gleicher Ausdrucksfähigkeit vermeiden und schlechte Kandidaten während der Suche vor dem Modelltraining entfernen helfen. Schließlich führen wir umfangreiche Experimente auf Benchmark-Datensätzen durch. Die Ergebnisse zur Link-Vorhersage und Tripelklassifikation zeigen, dass die durch AutoSF gefundenen SFs abhängig von den KGs sind, neu für die Literatur und den menschlich entworfenen Stand der Technik überlegen.