Die Vorhersage fehlender Fakten in einem Wissensgraphen (KG) ist eine zentrale Aufgabe bei der Konstruktion und Inferenz von Wissensbasen und hat in jüngeren Arbeiten im Bereich der KG-Embeddings erhebliche Aufmerksamkeit gefunden. Während bestehende Ansätze zur KG-Embedding hauptsächlich Fakten innerhalb eines einzelnen KG lernen und vorhersagen, würde eine plausiblere Lösung von dem Wissen mehrerer sprachspezifischer KG profitieren, da diese jeweils unterschiedliche Stärken und Schwächen hinsichtlich der Datenqualität und Abdeckung aufweisen. Dies ist jedoch herausfordernd, da der Wissenstransfer zwischen mehreren unabhängig gepflegten KGs oft durch unzureichende Alignierungsinformationen und inkonsistente Faktenbeschreibungen behindert wird. In diesem Artikel stellen wir KEnS vor, einen neuartigen Rahmen für das Lernen von Embeddings und die Ensemble-Übertragung von Wissen über mehrere sprachspezifische KGs hinweg. KEnS embeddet alle KGs in einem gemeinsamen Embedding-Raum, wobei die Assoziationen zwischen Entitäten auf Basis von Selbstlernverfahren erfasst werden. Anschließend führt KEnS eine Ensemble-Inferenz durch, um Vorhersageresultate aus den Embeddings mehrerer sprachspezifischer KGs zu kombinieren, wobei verschiedene Ensemble-Techniken untersucht werden. Experimente an fünf realen sprachspezifischen KGs zeigen, dass KEnS die state-of-the-art-Methoden bei der KG-Vervollständigung konsistent verbessert, indem es komplementäre Wissensbestände effektiv identifiziert und nutzt.