Hierarchische Beziehungen sind weit verbreitet und unverzichtbar für die Organisation des menschlichen Wissens, das durch einen Wissensgraphen (KG) erfasst wird. Die wesentliche Eigenschaft hierarchischer Beziehungen besteht darin, dass sie eine partielle Ordnung der Entitäten induzieren, die modelliert werden muss, um hierarchisches Schließen zu ermöglichen. Aktuelle KG-Embeddings können jedoch nur eine einzelne globale Hierarchie (eine einzige globale partielle Ordnung) modellieren und scheitern bei der Modellierung mehrerer heterogener Hierarchien, die in einem einzelnen KG existieren. In diesem Beitrag stellen wir ConE (Cone Embedding) vor, ein KG-Embedding-Modell, das in der Lage ist, gleichzeitig mehrere hierarchische sowie nicht-hierarchische Beziehungen in einem Wissensgraphen zu modellieren. ConE kodiert Entitäten in hyperbolischen Kegeln und modelliert Beziehungen als Transformationen zwischen den Kegeln. Insbesondere verwendet ConE Kegel-Inhaltsbedingungen in verschiedenen Unterräumen des hyperbolischen Einbettungsraums, um mehrere heterogene Hierarchien zu erfassen. Experimente auf Standard-Wissensgraphen-Benchmarks zeigen, dass ConE den Stand der Technik in Aufgaben des hierarchischen Schließens sowie in Aufgaben zur Vervollständigung von Wissensgraphen mit hierarchischer Struktur erreicht. Insbesondere erzielt unser Ansatz neue Bestwerte von 45,3 % Hits@1 auf WN18RR und 16,1 % Hits@1 auf DDB14 (0,231 MRR). Bei der Aufgabe des hierarchischen Schließens übertreffen unsere Ergebnisse die bisher besten Ergebnisse um durchschnittlich 20 % über drei Datensätze hinweg.