知识图谱嵌入是知识图谱中链接预测任务最成功的方法之一，即完成一组不完整的关联事实的任务。这些模型的一个缺点是它们对模型超参数（特别是正则化项）具有很强的敏感性，需要进行广泛的调参才能达到良好的性能[Kadlec等人, 2017]。我们提出了一种高效的大规模超参数调优方法，通过在概率框架下解释这些模型来实现。在引入每个实体的超参数后，我们采用变分期望最大化方法以最小的额外成本调整数千个这样的超参数。我们的方法对模型的具体细节具有鲁棒性，并在标准基准数据上实现了链接预测的新水平。