Hyper-relationale Wissensgraphen (KGs) (z. B. Wikidata) ermöglichen die Assoziation zusätzlicher Schlüssel-Wert-Paare mit dem Haupttripel, um Mehrdeutigkeiten aufzulösen oder die Gültigkeit einer Tatsache einzuschränken. In dieser Arbeit stellen wir einen auf Nachrichtenübertragung basierenden Graphen-Encoder – StarE – vor, der in der Lage ist, solche hyper-relationale Wissensgraphen zu modellieren. Im Gegensatz zu bestehenden Ansätzen kann StarE eine beliebige Anzahl zusätzlicher Informationen (Qualifizierer) zusammen mit dem Haupttripel kodieren, wobei die semantischen Rollen der Qualifizierer und des Tripels unverändert bleiben. Zudem zeigen wir, dass bestehende Benchmarks zur Bewertung der Link-Vorhersage (LP) auf hyper-relationale Wissensgraphen gravierende Mängel aufweisen, und entwickeln daher eine neue, auf Wikidata basierende Datensammlung – WD50K. Unsere Experimente belegen, dass der auf StarE basierende LP-Modell gegenüber bestehenden Ansätzen auf mehreren Benchmarks übertrifft. Zudem bestätigen wir, dass die Nutzung von Qualifizierern für die Link-Vorhersage entscheidend ist und gegenüber rein auf Tripeln basierenden Darstellungen bis zu 25 MRR-Punkte an Leistung bringt.