Tensorfaktorisierungs-basierte Modelle haben sich bei der Vervollständigung von Wissensgraphen (Knowledge Graph Completion, KGC) als äußerst leistungsfähig erwiesen. Ihre Leistung leidet jedoch häufig erheblich unter dem Problem des Overfitting. Dies hat zu einer Vielzahl von Regularisierern geführt, wie beispielsweise dem quadratischen Frobenius-Norm- und dem Tensor-Nuklearnorm-Regularisierer, deren praktische Anwendbarkeit jedoch aufgrund begrenzter Gültigkeit stark eingeschränkt ist. Um dieser Herausforderung zu begegnen, schlagen wir einen neuartigen Regularisierer vor – den sogenannten DUality-induced RegulArizer (DURA) –, der nicht nur die Leistung bestehender Modelle effektiv verbessert, sondern auch weitgehend auf verschiedene Methoden anwendbar ist. Der zentrale Innovationsgehalt von DURA beruht auf der Beobachtung, dass zu einem bestehenden tensorfaktorisierungs-basierten KGC-Modell (Primal) oft ein eng verwandtes, auf Distanzmaßen basierendes KGC-Modell (Dual) existiert. Experimente zeigen, dass DURA auf Benchmark-Datenbanken konsistente und signifikante Verbesserungen erzielt.