tensor factorization based models have shown great power in knowledge graph
completion (KGC). However, their performance usually suffers from the
overfitting problem seriously. This motivates various regularizers
本文提出了一种新的张量范数，同时利用低秩先验和秩信息，包括一系列张量管秩的代理函数，可在张量数据中更好地利用低秩，通过使用样本技巧计算更小张量的 t-SVD 而不是原始张量来计算提出的双低秩约束的张量范数。随后，优化算法的每个迭代的计算成本从标准方法的 O (n^4) 降低到 O (n^3 log n + kn^3)，其中 k 为真实张量秩的估计值，远小于 n。本方法在合成和现实数据上得到了评估，并表现出优于现有 STOA 张量完成方法的性能和效率。