Die Vervollständigung von Wissensgraphen (KGC, Knowledge Graph Completion) strebt danach, fehlende Beziehungen zwischen Entitäten in Wissensgraphen (KGs, Knowledge Graphs) zu entdecken. Die meisten bisherigen Arbeiten im Bereich KGC konzentrieren sich auf das Lernen von Einbettungen für Entitäten und Beziehungen durch eine einfache Bewertungsfunktion. Allerdings erfordert ein hochdimensionaler Einbettungsraum in der Regel bessere Inferenzfähigkeiten, was zu einem größeren Modellvolumen führt und die Anwendbarkeit bei realen Problemen (z.B. großen Wissensgraphen oder mobilen/Edge-Computing) erschwert. In dieser Arbeit wird eine leichte, modularisierte KGC-Lösung namens GreenKGC vorgeschlagen, um dieses Problem zu lösen. GreenKGC besteht aus drei Modulen: Repräsentationslernen, Merkmalsverdünnung und Entscheidungslernen, um diskriminierende Merkmale von Wissensgraphen zu extrahieren und mit Hilfe von Klassifikatoren und negativem Sampling genaue Vorhersagen über fehlende Beziehungen zu treffen. Experimentelle Ergebnisse zeigen, dass GreenKGC in niedrigen Dimensionen die meisten Datensätze besser als state-of-the-art-Methoden bewältigt. Darüber hinaus kann ein niedrigdimensionales GreenKGC bei weitem kleinerem Modellvolumen wettbewerbsfähige oder sogar bessere Leistungen gegenüber hochdimensionalen Modellen erzielen.