知識グラフは、大量の事実データベースをグラフィカルに表現したものであり、一般的に不完全性を抱えています。エンティティ（ノード）間の欠落している関係（リンク）を推測するタスクがリンク予測です。最近の最先端アプローチであるConvEは、連結された主題と関係ベクトルから特徴を抽出するために畳み込みニューラルネットワークを実装しています。結果は印象的ですが、この方法は直感的ではなく、理解が難しいという問題があります。本研究では、(i) 標準的なデータセットにおいてConvEおよびそれ以前のすべてのアプローチを上回る性能を示し、(ii) テンソル分解として枠組み化できるため、既存の因子分解モデル群に属する新しいハイパーネットワークアーキテクチャを提案します。これにより、畳み込みは計算上の便利な手段としてスパーシティとパラメータ共有を導入し、非線形表現力と学習すべきパラメータ数との効果的なトレードオフを見つけることができることが示されます。