Les modèles fondés sur la factorisation de tenseurs ont démontré une grande efficacité dans la complétion des graphes de connaissances (KGC). Toutefois, leurs performances sont généralement gravement affectées par le surapprentissage. Cela a motivé l’introduction de divers régularisateurs — tels que le régularisateur de norme de Frobenius au carré ou le régularisateur de norme nucléaire du tenseur — dont l’application pratique reste toutefois limitée. Pour relever ce défi, nous proposons un nouveau régularisateur, nommé DURA (DUality-induced RegulArizer), qui s’avère non seulement efficace pour améliorer les performances des modèles existants, mais également largement applicable à diverses méthodes. La principale originalité de DURA repose sur l’observation selon laquelle, pour un modèle existant de KGC basé sur la factorisation de tenseurs (modèle primal), il existe souvent un autre modèle de KGC fondé sur les distances (modèle dual) étroitement associé. Les expérimentations montrent que DURA permet d’obtenir des améliorations constantes et significatives sur plusieurs benchmarks.