لقد ظهرت الشبكات العصبية لنقل الرسائل (MPNNs) كالمعيار الفعلي في تعلم التمثيل الرسومي. ومع ذلك، عند التنبؤ بالروابط، غالبًا ما تواجه صعوبات، وتتفوق عليها طرق بسيطة مثل مُعدّل الجيران المشتركين (CN). يعود هذا التباين إلى حدود أساسية: بينما تُظهر MPNNs كفاءة عالية في تمثيل العقد، فإنها تفشل في تمثيل الخصائص الهيكلية المشتركة الضرورية للتنبؤ بالروابط، مثل CN. لسد هذه الفجوة، نقترح أن بإمكان نقل الرسائل النقي، من خلال استغلال التعامد بين المتجهات المدخلة، أن يُدرك بالفعل الخصائص الهيكلية المشتركة. بشكل خاص، ندرس قدرة MPNNs على تقريب خوارزمية CN. استنادًا إلى نتائجنا، نقدّم نموذجًا جديدًا للتنبؤ بالروابط يُسمى مُحدّد الروابط عبر نقل الرسائل (MPLP). يعتمد MPLP على متجهات شبه متعامدة لتقدير الخصائص الهيكلية على مستوى الروابط، مع الحفاظ على التعقيدات على مستوى العقد. علاوة على ذلك، تُظهر نتائجنا أن استخدام نقل الرسائل لالتقاط الخصائص الهيكلية يمكن أن يُعوّض عن قيود التعبير في MPNNs، على حساب زيادة في تباين التقدير. أجرينا تجارب على مجموعات بيانات معيارية من مجالات مختلفة، حيث تفوقت طريقة لدينا باستمرار على الطرق الأساسية.