Eines der grundlegenden Probleme im Bereich Künstliche Intelligenz besteht darin, komplexe mehrstufige logische Schlussfolgerungen über die in einem Wissensgraphen (KG) erfassten Fakten zu ziehen. Dieses Problem ist besonders schwierig, da Wissensgraphen sowohl sehr umfangreich als auch unvollständig sein können. Aktuelle Ansätze kodieren die Entitäten des Wissensgraphen in einen niedrigdimensionalen Raum und verwenden diese Kodierungen anschließend, um die Antwort-Entitäten zu finden. Allerdings stellt es eine herausragende Herausforderung dar, wie man beliebige Anfragen erster Ordnung (FOL) verarbeiten kann, da bestehende Methoden sich nur auf einen Teil der FOL-Operatoren beschränken. Insbesondere wird der Negationsoperator nicht unterstützt. Eine weitere Einschränkung der aktuellen Methoden besteht darin, dass sie Unsicherheiten nicht natürlich modellieren können. In diesem Beitrag stellen wir BetaE vor, ein wahrscheinlichkeitstheoretisches Einbettungsframework zur Beantwortung beliebiger FOL-Anfragen über Wissensgraphen. BetaE ist die erste Methode, die eine vollständige Menge von logischen Operationen erster Ordnung verarbeiten kann: Konjunktion ($\wedge$∧), Disjunktion ($\vee$∨) und Negation ($\neg$¬). Ein wesentlicher Ansatzpunkt von BetaE ist die Verwendung von Wahrscheinlichkeitsverteilungen mit begrenztem Träger, insbesondere der Beta-Verteilung, und das Kodieren von Anfragen/Entitäten als Verteilungen. Dies ermöglicht es uns auch, Unsicherheiten authentisch zu modellieren. Logische Operationen werden im Einbettungsraum durch neuronale Operatoren über den wahrscheinlichkeitstheoretischen Einbettungen durchgeführt. Wir zeigen die Leistungsfähigkeit von BetaE bei der Beantwortung beliebiger FOL-Anfragen anhand dreier großer, unvollständiger Wissensgraphen. Obwohl allgemeiner angelegt, verbessert BetaE die relative Leistung bis zu 25,4 % im Vergleich zu den momentan besten KG-Schlussfolgerungsmethoden, die nur konjunktive Anfragen ohne Negation verarbeiten können.