Die Link-Vorhersage ist entscheidend für die Anwendung unvollständiger Wissensgraphen (KG) in nachgelagerten Aufgaben. Als eine Reihe effektiver Ansätze für Link-Vorhersagen versuchen Einbettungsmethoden, niedrigdimensionale Darstellungen sowohl für Entitäten als auch für Relationen zu lernen, so dass die darin definierte bilineare Form eine gutartige Bewertungsfunktion ist. Trotz ihrer erfolgreichen Leistungen ignorieren bestehende bilineare Formen das Modellieren von Relationenzusammensetzungen, was zu einem Mangel an Interpretierbarkeit bei der Inferenz auf KG führt. Um diese Lücke zu schließen, schlagen wir ein neues Modell namens DihEdral vor, benannt nach der Diedergruppe (dihedral symmetry group). Dieses neue Modell lernt Wissensgrapheneinbettungen, die Relationenzusammensetzungen natürlicherweise erfassen können. Darüber hinaus modelliert unser Ansatz die Relationseinhüllenden durch diskrete Werte, wodurch der Lösungsraum drastisch reduziert wird. Unsere Experimente zeigen, dass DihEdral alle gewünschten Eigenschaften wie (schiefe-) Symmetrie, Inversion und (nicht-) abelsche Zusammensetzung erfassen kann und bestehende Ansätze basierend auf bilinearen Formen übertrifft sowie mit oder besser als tiefen Lernmodellen wie ConvE vergleichbar ist.