在本工作中，我们提出了一种新颖的链接预测模型，并通过研究图结构的不完整性进一步提升了模型性能。首先，我们引入了一种创新架构——MPNN-then-SF，该架构利用结构特征（Structural Feature, SF）引导消息传递神经网络（MPNN）的表示聚合过程，其具体实现称为神经公共邻居（Neural Common Neighbor, NCN）。与现有模型相比，NCN展现出更优的表达能力和可扩展性。现有模型主要可分为两类：一类为SF-then-MPNN，通过在MPNN输入中引入结构特征进行增强；另一类为SF-and-MPNN，将结构特征与MPNN解耦处理。其次，我们系统研究了图结构不完整性——即输入图中部分边未被观测到——对结构特征（如公共邻居）的影响。通过数据集可视化分析，我们发现图的不完整性会显著减少公共邻居数量，并引发特征分布偏移，从而严重影响模型性能。为应对这一问题，我们提出利用链接预测模型来补全公共邻居的结构。将该方法与NCN相结合，我们进一步提出了带有结构补全机制的神经公共邻居（Neural Common Neighbor with Completion, NCNC）。实验结果表明，NCN和NCNC在多个主流基准上均显著超越近期强基线模型，而NCNC更进一步超越了当前最先进的方法。相关代码已开源，地址为：https://github.com/GraphPKU/NeuralCommonNeighbor。