In dieser Arbeit haben wir das Ziel, einen effektiven Rahmen für neuronale Link-Vorhersage in Paarweise Lernverfahren (Pairwise Learning Neural Link Prediction, PLNLP) bereitzustellen. Der Rahmen behandelt die Link-Vorhersage als ein Problem der paarweisen Rangfolge-Lernverfahren und besteht aus vier Hauptkomponenten, nämlich dem Nachbarschaftscodierer, dem Link-Vorhersager, dem negativen Sampler und der Zielfunktion. Der Rahmen ist flexibel, sodass beliebige generische Graph-Neuronale Konvolutionen oder spezifische neuronale Architekturen für Link-Vorhersage als Nachbarschaftscodierer eingesetzt werden können. Für den Link-Vorhersager entwickeln wir verschiedene Bewertungsfunktionen, die je nach Art des Graphen ausgewählt werden können. Im negativen Sampler stellen wir mehrere Sampling-Strategien zur Verfügung, die problemspezifisch sind. Was die Zielfunktion betrifft, schlagen wir eine effektive Rangfolge-Verlustfunktion vor, die das Standard-Rangfolgemetrik AUC approximativ maximiert. Wir evaluieren den vorgeschlagenen PLNLP-Rahmen auf 4 Datensätzen zur Vorhersage von Link-Eigenschaften des Open Graph Benchmarks, einschließlich ogbl-ddi, ogbl-collab, ogbl-ppa und ogbl-citation2. PLNLP erzielt die beste Leistung auf ogbl-ddi und ogbl-collab sowie die zweitbeste Leistung auf ogbl-citation2 allein mit grundlegenden neuronalen Architekturen. Die Leistungsdaten belegen die Effektivität von PLNLP.