Wissensgraphen verknüpfen Entitäten über Relationen, um eine strukturierte Darstellung realer Welttatsachen bereitzustellen. Sie sind jedoch oft unvollständig, da sie sich auf nur einen kleinen Bruchteil aller möglichen Fakten stützen. Die Aufgabe der Wissensgraphen-Vervollständigung mittels Link-Vorhersage zielt darauf ab, diese Herausforderung zu überwinden, indem fehlende Fakten als fehlende Verbindungen zwischen Entitäten inferiert werden. Aktuelle Ansätze zur Link-Vorhersage nutzen Tensorfaktorisierung und/oder Deep Learning. Faktorisierungsverfahren verfügen dank ihrer geringen Anzahl an Parametern über eine schnelle Trainings- und Bereitstellungsgeschwindigkeit, besitzen jedoch aufgrund ihres linearen Grundkonzepts eine begrenzte Ausdruckskraft. Deep-Learning-Methoden sind dagegen ausdrucksstärker, erfordern jedoch auch erhebliche Rechenressourcen und sind aufgrund ihrer großen Anzahl an trainierbaren Parametern anfällig für Overfitting. Wir stellen den Neural Powered Tucker Network (NePTuNe) vor, ein neues hybrides Link-Vorhersagemodell, das die Ausdruckskraft tiefen Lernens mit der Geschwindigkeit und Effizienz linearer Modelle verbindet. Wir zeigen, dass NePTuNe auf dem FB15K-237-Datensatz eine state-of-the-art-Leistung erzielt und auf dem WN18RR-Datensatz nahezu state-of-the-art-Leistung erbringt.