Wissensgraph-Embedding-Modelle lernen Darstellungen von Entitäten und Relationen in Wissensgraphen, um fehlende Verbindungen (Relationen) zwischen Entitäten vorherzusagen. Ihre Wirksamkeit wird stark durch die Fähigkeit beeinflusst, verschiedene Relationenmuster – wie Symmetrie, Asymmetrie, Inversion, Komposition und Transitivität – zu modellieren und abzuleiten. Obwohl bestehende Modelle bereits viele dieser Relationenmuster erfassen können, wird die Transitivität, ein äußerst verbreitetes Muster, bisher noch nicht ausreichend unterstützt. In diesem Paper zeigen wir zunächst theoretisch, dass transitive Relationen mittels Projektionen modelliert werden können. Anschließend stellen wir das Rot-Pro-Modell vor, das Projektion und relationale Rotation kombiniert. Wir beweisen, dass Rot-Pro in der Lage ist, alle oben genannten Relationenmuster abzuleiten. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Rot-Pro-Modell die Transitivitätsstruktur effektiv lernt und auf Datensätzen mit transitiven Relationen state-of-the-art-Ergebnisse im Task der Link-Vorhersage erzielt.