La plupart des algorithmes d’apprentissage de représentations et de prédiction de liens dans les données relationnelles ont été conçus pour des données statiques. Toutefois, les données auxquelles ils sont appliqués évoluent généralement au fil du temps, comme les graphes d’amis dans les réseaux sociaux ou les interactions utilisateur-élément dans les systèmes de recommandation. Il en va de même pour les bases de connaissances, qui contiennent des faits tels que (États-Unis, a pour président, B. Obama, [2009–2017]), valables uniquement à des moments précis. Pour le problème de prédiction de liens sous contraintes temporelles — c’est-à-dire répondre à des requêtes telles que (États-Unis, a pour président, ?, 2012) — nous proposons une solution inspirée de la décomposition canonique des tenseurs d’ordre 4. Nous introduisons de nouveaux schémas de régularisation et présentons une extension de ComplEx (Trouillon et al., 2016) qui atteint des performances de pointe. En outre, nous proposons un nouveau jeu de données pour la complétion de bases de connaissances construit à partir de Wikidata, dont la taille dépasse d’un ordre de grandeur celle des benchmarks précédents, afin de servir de référence nouvelle pour l’évaluation des méthodes de prédiction de liens temporelles et non temporelles.