Die meisten Algorithmen für die Repräsentationslernung und die Linkvorhersage in relationalen Daten wurden für statische Daten entworfen. In der Praxis entwickeln sich die zugrundeliegenden Daten jedoch häufig im Laufe der Zeit – beispielsweise Freundschaftsgraphen in sozialen Netzwerken oder Nutzerinteraktionen mit Objekten in Empfehlungssystemen. Auch Wissensbasen enthalten zeitlich eingeschränkte Fakten, wie etwa (USA, hat Präsident, B. Obama, [2009–2017]), die nur zu bestimmten Zeitpunkten gültig sind. Für das Problem der Linkvorhersage unter zeitlichen Einschränkungen – also die Beantwortung von Anfragen wie (USA, hat Präsident, ?, 2012) – schlagen wir eine Lösung vor, die sich an der kanonischen Zerlegung von Tensoren vierter Ordnung orientiert. Wir führen neue Regularisierungsschemata ein und präsentieren eine Erweiterung von ComplEx (Trouillon et al., 2016), die Zustand der Kunst-Leistung erzielt. Zudem stellen wir eine neue Datensammlung für die Vervollständigung von Wissensbasen vor, die aus Wikidata abgeleitet ist und um eine Größenordnung größer ist als bisherige Benchmarks. Diese dient als neue Referenz zur Evaluierung sowohl zeitlicher als auch nicht-zeitlicher Methoden zur Linkvorhersage.