تم تصميم معظم الخوارزميات المستخدمة في التعلم التمثيلي وتنبؤ الروابط في البيانات العلاقة لمعالجة البيانات الثابتة. ومع ذلك، فإن البيانات التي تُطبَّق عليها غالبًا ما تتغير بمرور الوقت، مثل شبكات الأصدقاء في الشبكات الاجتماعية أو تفاعلات المستخدمين مع العناصر في أنظمة التوصية. ينطبق الأمر نفسه على قواعد المعرفة، التي تحتوي على حقائق مثل (الولايات المتحدة، لديها رئيس، باراك أوباما، [2009–2017]) التي تكون صالحة فقط في نقاط زمنية معينة. وبالنسبة لمشكلة تنبؤ الروابط تحت قيود زمنية، أي الإجابة على استفسارات مثل (الولايات المتحدة، لديها رئيس، ؟، 2012)، نقترح حلًا مستوحى من التحليل القياسي للجنرالات من الرتبة الرابعة. ونقدّم أساليب ت régularization جديدة، ونقدّم امتدادًا لنموذج ComplEx (Trouillon et al., 2016) يحقق أداءً من الدرجة الأولى. بالإضافة إلى ذلك، نقترح مجموعة بيانات جديدة لاستكمال قواعد المعرفة مبنية على ويكي داتا، أكبر من المعايير السابقة بترتيب كبير، كمصدر مرجعي جديد لتقييم أساليب تنبؤ الروابط الزمنية وغير الزمنية.