Die Wissensbasis-Ergänzung (Knowledge Base Completion, KBC) zielt darauf ab, fehlende Fakten automatisch abzuleiten, indem bereits in einer Wissensbasis (KB) enthaltene Informationen genutzt werden. Ein vielversprechender Ansatz für KBC besteht darin, Wissen in latente Räume einzubetten und Vorhersagen auf Basis der gelernten Einbettungen zu treffen. Allerdings sind bestehende Einbettungsmodelle mindestens einer der folgenden Einschränkungen unterworfen: (1) theoretische Ausdruckskraftlosigkeit, (2) mangelnde Unterstützung prominenter Schlussfolgerungsmuster (z. B. Hierarchien), (3) mangelnde Unterstützung für KBC bei Relationen höherer Arität und (4) mangelnde Unterstützung für die Integration logischer Regeln. Hier stellen wir ein räumlich-translatives Einbettungsmodell vor, namens BoxE, das all diese Einschränkungen gleichzeitig überwindet. BoxE stellt Entitäten als Punkte und Relationen als Mengen von Hyperrechtecken (oder „Boxen“) dar, die grundlegende logische Eigenschaften räumlich charakterisieren. Diese scheinbar einfache Abstraktion führt zu einem vollständig ausdrucksfähigen Modell, das eine natürliche Kodierung vieler gewünschter logischer Eigenschaften ermöglicht. BoxE kann sowohl Regeln aus umfassenden Klassen von Regelsprachen erfassen als auch einbetten und geht damit weit über einzelne Schlussfolgerungsmuster hinaus. Durch seine Gestaltung eignet sich BoxE natürlich für KBs mit höherer Arität. Wir führen eine detaillierte experimentelle Analyse durch und zeigen, dass BoxE sowohl auf Standard-Wissensgraphen als auch auf allgemeineren KBs Spitzenleistung erzielt, und belegen empirisch die Stärke der Integration logischer Regeln.