Deep-Learning-basierte Techniken werden zunehmend für verschiedene maschinelle Lernaufgaben auf Wissensgraphen eingesetzt. Obwohl empirisch gezeigt wurde, dass diese Techniken häufig eine bessere Vorhersageleistung als ihre klassischen Alternativen erzielen, bei denen Merkmale aus dem Graphen extrahiert werden, fehlt ihnen die Interpretierbarkeit. Interpretierbarkeit ist ein entscheidender Aspekt in kritischen Bereichen wie Gesundheitswesen und Finanzwesen. In diesem Paper präsentieren wir eine Technik, die einen Entscheidungsbaum spezifischer Klassen-Unterstrukturen aufbaut, um verschiedene Entitäten innerhalb des Wissensgraphen zu klassifizieren. Wir zeigen, dass unsere vorgeschlagene Methode auf vier Benchmark-Datensätzen mit aktuellen state-of-the-art Deep-Learning-Techniken konkurrieren kann, während sie vollständig interpretierbar bleibt.