Die probabilistische logische Regellernmethode hat sich bei der Gewinnung logischer Regeln und der Vervollständigung von Wissensgraphen als äußerst leistungsfähig erwiesen. Sie lernt logische Regeln, um fehlende Kanten durch Schlussfolgern auf bestehenden Kanten im Wissensgraphen vorherzusagen. Allerdings beschränkten sich bisherige Ansätze weitgehend auf die Modellierung von kettenartigen Horn-Klauseln der Form $R_1(x,z)\land R_2(z,y)\Rightarrow H(x,y)$R1​(x,z)∧R2​(z,y)⇒H(x,y). Diese Formulierung vernachlässigt jedoch zusätzliche kontextuelle Information aus benachbarten Teilgraphen der Entitätsvariablen $x$x, $y$y und $z$z. Intuitiv besteht hier ein erheblicher Informationsdefizit, da lokale Teilgraphen als bedeutende Quelle für die Vervollständigung von Wissensgraphen identifiziert wurden. Ausgehend von diesen Beobachtungen schlagen wir Logical Entity RePresentation (LERP) vor, um kontextuelle Informationen von Entitäten im Wissensgraphen zu kodieren. Eine LERP ist als Vektor probabilistischer logischer Funktionen auf dem benachbarten Teilgraphen einer Entität konzipiert. Sie stellt eine interpretierbare Darstellung dar und ermöglicht gleichzeitig eine differenzierbare Optimierung. Anschließend können wir LERP in die probabilistische logische Regellernmethode integrieren, um ausdrucksstärkere Regeln zu lernen. Empirische Ergebnisse zeigen, dass unser Modell mit LERP andere Regellernmethoden bei der Vervollständigung von Wissensgraphen übertrifft und mit oder sogar besser als aktuelle state-of-the-art black-box-Methoden abschneidet. Darüber hinaus stellen wir fest, dass unser Modell eine ausdrucksstärkere Familie logischer Regeln entdecken kann. LERP lässt sich zudem weiter mit Embedding-Lernmethoden wie TransE kombinieren, um die Interpretierbarkeit des Modells noch zu steigern.