Wissensgraph-Embedding-(KGE)-Modelle lernen die Repräsentation von Entitäten und Relationen in Wissensgraphen. Distanzbasierende Methoden zeigen vielversprechende Leistungen bei der Link-Vorhersage, bei der das Ergebnis anhand der Distanz zwischen zwei Entitätsrepräsentationen vorhergesagt wird. Allerdings repräsentieren die meisten dieser Methoden den Kopf- und den Tail-Entität getrennt, was die Modellkapazität einschränkt. Wir stellen zwei neuartige, auf Distanz basierende Methoden namens InterHT und InterHT+ vor, die eine bessere Interaktion zwischen Kopf- und Tail-Entität ermöglichen und somit verbesserte Entitätsrepräsentationen liefern. Experimentelle Ergebnisse zeigen, dass unsere vorgeschlagene Methode auf dem ogbl-wikikg2-Datensatz die besten Ergebnisse erzielt.