Wissensgraphen-Einbettungen zählen zu den erfolgreichsten Methoden für die Link-Vorhersage in Wissensgraphen, d. h. der Aufgabe, eine unvollständige Sammlung von relationalen Fakten zu vervollständigen. Ein Nachteil dieser Modelle ist ihre starke Sensibilität gegenüber Modellhyperparametern, insbesondere Regularisierern, die umfangreich angepasst werden müssen, um eine gute Leistung zu erzielen [Kadlec et al., 2017]. Wir schlagen eine effiziente Methode für das Hyperparameter-Tuning auf großem Maßstab vor, indem wir diese Modelle in einem wahrscheinlichkeitstheoretischen Rahmen interpretieren. Nach einer Modellaugmentierung, die hyperparametrische Eigenschaften pro Entität einführt, verwenden wir einen variationellen Erwartungswert-Maximierungsansatz (variational expectation-maximization approach), um Tausende solcher Hyperparameter mit minimalem zusätzlichen Aufwand zu justieren. Unser Ansatz ist unabhängig von den Details des Modells und führt zu einem neuen Stand der Technik in der Link-Vorhersage auf Standard-Benchmark-Daten.