Die Vorhersage von Verbindungen in Graphen stellt ein grundlegendes Problem dar. Subgraph-Representation-Learning-Ansätze (SGRLs) haben durch die Umwandlung der Verbindungsprognose in ein Graph-Klassifizierungsproblem auf den Subgraphen um die betreffenden Verbindungen herausragende Leistung in der Verbindungsprognose erzielt. Allerdings sind SGRLs rechenintensiv und skalieren nicht auf großflächige Graphen, da sie kostspielige Subgraph-Operationen erfordern. Um die Skalierbarkeit von SGRLs zu ermöglichen, schlagen wir eine neue Klasse von SGRLs vor, die wir als skalierbaren vereinfachten SGRL (S3GRL) bezeichnen. Ziel ist eine beschleunigte Trainings- und Inferenzphase: S3GRL vereinfacht die Nachrichtenübertragungs- und Aggregationsoperationen innerhalb jedes Subgraphen einer Verbindung. Als Skalierbarkeitsframework ermöglicht S3GRL die Integration verschiedener Subgraph-Sampling-Strategien und Diffusionsoperatoren, um rechenintensive SGRLs nachzuahmen. Wir präsentieren mehrere Instanzen von S3GRL und untersuchen sie empirisch auf Graphen unterschiedlicher Größe. Unsere umfangreichen Experimente zeigen, dass die vorgeschlagenen S3GRL-Modelle die Skalierbarkeit von SGRLs erheblich verbessern, ohne signifikante Leistungseinbußen zu verursachen (sogar mit messbaren Verbesserungen in einigen Fällen), während gleichzeitig die Rechenkosten erheblich sinken (z. B. mehrfach höhere Inferenz- und Trainingsgeschwindigkeit).