في هذه الدراسة، نقترح نموذجًا جديدًا للتنبؤ بالروابط، ونعزز أداؤه من خلال دراسة عدم اكتمال الرسم البياني. أولاً، نقدّم معمارية مبتكرة تُسمى MPNN-then-SF، والتي تُستخدم فيها الميزات الهيكلية (SF) لتوجيه عملية تجميع التمثيلات في MPNN، مع تنفيذها المُسمى "الجيران المشتركون العصبيون" (NCN). يُظهر NCN تعبيرًا أقوى وقابلية توسعة أفضل مقارنةً بالنماذج الحالية، التي تنقسم إلى فئتين: SF-then-MPNN، التي تُحسّن إدخال MPNN من خلال إضافة الميزات الهيكلية، وSF-and-MPNN، التي تفصل بين الميزات الهيكلية وMPNN. ثانيًا، ندرس تأثير عدم اكتمال الرسم البياني — الظاهرة التي تتمثل في عدم ملاحظة بعض الروابط في الرسم البياني المُدخل — على الميزات الهيكلية، مثل الجيران المشتركين. من خلال تصور البيانات، نلاحظ أن عدم الانتظام يقلل من عدد الجيران المشتركين ويُسبب تحولًا في التوزيع، مما يؤثر بشكل كبير على أداء النموذج. لمعالجة هذه المشكلة، نقترح استخدام نموذج للتنبؤ بالروابط لإكمال البنية الخاصة بالجيران المشتركين. وبدمج هذه الطريقة مع NCN، نقترح نموذجًا يُسمى "الجيران المشتركون العصبيون مع الإكمال" (NCNC). وقد أظهر كل من NCN وNCNC تفوقًا كبيرًا على النماذج القوية الحديثة، كما أن NCNC يتفوق بوضوح على أحدث النماذج في معايير التقييم القياسية للتنبؤ بالروابط. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/GraphPKU/NeuralCommonNeighbor.