Die Lernung von Embeddings für Entitäten und Relationen in Wissensgraphen (Knowledge Graphs, KGs) hat zahlreiche nachgeschaltete Aufgaben erheblich unterstützt. In den letzten Jahren wurden Score-Funktionen – das Kernstück des KG-Lernens – durch menschliche Designentscheidungen entwickelt, um die Plausibilität von Tripeln zu messen und verschiedene Arten von Relationen in KGs zu erfassen. Da Relationen jedoch komplexe Muster aufweisen, die vor dem Training schwer vorherzusehen sind, erzielen keine der bestehenden Score-Funktionen konsistent die besten Ergebnisse auf Benchmark-Aufgaben. In diesem Artikel lassen wir uns von den jüngsten Erfolgen des automatisierten maschinellen Lernens (AutoML) inspirieren und suchen mithilfe von AutoML-Techniken bilineare Score-Funktionen für verschiedene KG-Aufgaben. Die Exploration von domänenspezifischen Informationen erweist sich hier jedoch als nicht trivial. Zunächst definieren wir einen Suchraum für AutoBLM, indem wir bestehende Score-Funktionen analysieren. Anschließend stellen wir einen progressiven Algorithmus (AutoBLM) und einen evolutionären Algorithmus (AutoBLM+) vor, die durch Filter- und Vorhersagemechanismen beschleunigt werden, um die domänenspezifischen Eigenschaften des KG-Lernens effektiv zu berücksichtigen. Schließlich führen wir umfangreiche Experimente auf Benchmark-Daten für Aufgaben der KG-Vervollständigung, der Multi-Hop-Abfrage und der Entitätsklassifikation durch. Die empirischen Ergebnisse zeigen, dass die gefundenen Score-Funktionen KG-abhängig sind, in der Literatur neu sind und die bestehenden Ansätze überlegen sind. AutoBLM+ übertrifft AutoBLM, da der evolutionäre Algorithmus innerhalb derselben Ressourcenbudgets flexibler nach besseren Strukturen suchen kann.