تنبؤ الروابط هو مشكلة رئيسية للبيانات ذات الهيكل الشبكي. تستخدم تقنيات تنبؤ الروابط بعض وظائف التقييم، مثل الجيران المشتركين ومؤشر كاتز، لقياس احتمالية وجود الروابط. وقد حازت هذه التقنيات على استخدامات عملية واسعة بسبب بساطتها وتفسيرها، ولبعضها قابلية التوسع. ومع ذلك، فإن كل تقنية تعتمد على فرضية قوية حول متى يكون من المحتمل ربط عقدتين، مما يحد من فعاليتها في الشبكات التي لا تنطبق فيها هذه الفرضيات. في هذا السياق، يجب أن يكون الأسلوب الأكثر معقولية هو تعلم تقنية مناسبة من شبكة معينة بدلاً من استخدام تقنيات محددة مسبقًا. من خلال استخراج جزء فرعي محلي حول كل رابط مستهدف، نهدف إلى تعلم دالة تربط بين أنماط الجزء الفرعي وجود الرابط، وبالتالي تعلم "تقنية" بشكل آلي تناسب الشبكة الحالية. في هذا البحث، ندرس هذا النموذج لتعلم التقنيات لتنبوء الروابط. أولاً، نطور نظرية جديدة للتقنيات المتآكلة بمعدل $\gamma$γ. توحّد هذه النظرية نطاقًا واسعًا من التقنيات ضمن إطار واحد، وتثبت أنه يمكن تقريب جميع هذه التقنيات بشكل جيد من الأجزاء الفرعية المحلية. تظهر نتائجنا أن الأجزاء الفرعية المحلية تحتفظ بمعلومات غنية مرتبطة بوجود الروابط. ثانياً، بناءً على نظرية التآكل بمعدل $\gamma$γ، نقترح خوارزمية جديدة لتعلم التقنيات من الأجزاء الفرعية المحلية باستخدام شبكة عصبية للبيانات الرسمية (GNN). تُظهر النتائج التجريبية لهذه الخوارزمية أداءً غير مسبوق، حيث تعمل بشكل متسق وممتاز على نطاق واسع من المشكلات.