Los modelos semánticos se utilizan para agregar información de contexto a conjuntos de datos y hacer que los datos sean accesibles y comprensibles en aplicaciones como dataspaces. Dado que la creación de tales modelos es una tarea que consume mucho tiempo y que debe ser realizada por un experto humano, existen diferentes enfoques para automatizar o apoyar este proceso. Un problema recurrente es la tarea de predicción de enlaces, es decir, la predicción automática de enlaces entre nodos en un gráfico, en este caso modelos semánticos, generalmente basados en técnicas de aprendizaje automático. Mientras que, en general, los modelos semánticos se entrenan y evalúan en grandes conjuntos de datos de referencia, estas condiciones a menudo no coinciden con las aplicaciones del mundo real específicas del dominio donde solo hay una pequeña cantidad de datos existentes disponibles (el problema de inicio en frío). En este estudio, evaluamos el rendimiento de algoritmos de predicción de enlaces cuando se usaron conjuntos de datos de menor tamaño para el entrenamiento (escenarios de pocos disparos). Basándonos en la evaluación del rendimiento informado, primero seleccionamos algoritmos para la predicción de enlaces y luego evaluamos el rendimiento del subconjunto seleccionado utilizando múltiples conjuntos de datos reducidos. Los resultados mostraron que dos de los tres algoritmos seleccionados eran adecuados para la tarea de predicción de enlaces en escenarios de pocos disparos.