Unvollständigkeit ist ein häufiges Problem bei bestehenden Wissensgraphen (KGs), und die Vervollständigung von Wissensgraphen, die darauf abzielt, fehlende Verbindungen zwischen Entitäten vorherzusagen, stellt eine große Herausforderung dar. Die meisten etablierten Methoden zur Wissensgraphen-Vervollständigung berücksichtigen lediglich die direkten Relationen zwischen Knoten und ignorieren dabei Relationenpfade, die wertvolle Informationen für die Vorhersage von Verbindungen enthalten. In jüngster Zeit wurden einige Ansätze vorgestellt, die Relationenpfade einbeziehen, jedoch wird dabei oft zu wenig Aufmerksamkeit dem Reihenfolge der Relationen innerhalb der Pfade geschenkt – eine Eigenschaft, die für das Schlussfolgern von großer Bedeutung ist. Zudem ignorieren diese pfadbasierten Modelle häufig nichtlineare Beiträge der Pfadmerkmale für die Verbindungsvorhersage. Um diese Probleme zu lösen, stellen wir eine neuartige Methode zur Wissensgraphen-Vervollständigung namens OPTransE vor. Im Gegensatz zu früheren Ansätzen, die beide Entitäten einer Relation in denselben latenten Raum abbilden, projizieren wir den Kopf- und den Tail-Entität jeder Relation in unterschiedliche Räume, um die Reihenfolge der Relationen innerhalb eines Pfades sicherzustellen. Gleichzeitig nutzen wir eine Pooling-Strategie, um nichtlineare und komplexe Merkmale verschiedener Pfade zu extrahieren, um die Leistung der Verbindungsvorhersage weiter zu verbessern. Experimentelle Ergebnisse auf zwei etablierten Benchmark-Datensätzen zeigen, dass das vorgeschlagene Modell OPTransE die Leistung von state-of-the-art-Methoden übertrifft.