Wissensgraphen sind graphische Darstellungen großer Datenbanken von Fakten, die in der Regel unvollständig sind. Die Inferenz fehlender Beziehungen (Verknüpfungen) zwischen Entitäten (Knoten) ist die Aufgabe der Verknüpfungsvorhersage. Ein neuer Stand der Technik in der Verknüpfungsvorhersage, ConvE, implementiert ein Faltungsneuronales Netzwerk (Convolutional Neural Network), um Merkmale aus verkoppelten Subjekt- und Beziehungsvektoren zu extrahieren. Obwohl die Ergebnisse beeindruckend sind, ist die Methode unintuitiv und schlecht verstanden. Wir schlagen eine Hypernetzarchitektur vor, die vereinfachte, beziehungsspezifische Faltungsfiltre generiert, die (i) ConvE und alle früheren Ansätze auf Standarddatensätzen übertrifft; und (ii) als Tensorfaktorisierung dargestellt werden kann und somit in eine gut etablierte Familie von Faktorisierungsmodellen für die Verknüpfungsvorhersage eingegliedert werden kann. Damit zeigen wir, dass Faltung einfach ein praktisches computatives Mittel bietet, um Sparsamkeit und Parameterbindung einzuführen, um einen effektiven Kompromiss zwischen nichtlinearer Ausdrucksfähigkeit und der Anzahl der zu lernenden Parameter zu finden.