تمثّل الرسوم المعرفية (Knowledge Graphs) علاقات بين الكيانات لتوفير تمثيل منظم للحقائق الواقعية. ومع ذلك، غالبًا ما تكون هذه الرسوم غير كاملة، نظرًا لأنها تستند فقط إلى جزء ضئيل من جميع الحقائق الممكنة. ويهدف مفهوم استكمال الرسم المعرفي من خلال التنبؤ بالروابط (Link Prediction) إلى التغلب على هذه التحديات من خلال استنتاج الحقائق المفقودة التي تمثل كروابط بين الكيانات. تعتمد النماذج الحالية للتنبؤ بالروابط على تحليل المصفوفات (Tensor Factorization) و/أو التعلم العميق. تتميز طرق التحليل بسرعة التدريب والتنفيذ بفضل عدد محدود من المعاملات، لكنها تمتلك تعبيرًا محدودًا بسبب طبيعتها الخطية. في المقابل، تمتلك نماذج التعلم العميق تعبيرًا أقوى، لكنها أيضًا مكلفة من حيث الحوسبة، وعرضة للانتحاء (Overfitting) بسبب كثرة المعاملات القابلة للتدريب. نقترح نموذجًا هجينًا جديدًا يُدعى "NePTuNe" (Neural Powered Tucker Network)، الذي يجمع بين التعبير العالي للنماذج العميقة وسرعة وحجم النماذج الخطية. ونُظهر أن نموذج NePTuNe يحقق أداءً متقدمًا على مستوى الحالة (State-of-the-art) على مجموعة بيانات FB15K-237، وأداءً قريبًا من المستوى المتقدم على مجموعة بيانات WN18RR.