La prédiction de liens est l’un des problèmes clés liés aux données structurées en graphe. Avec les progrès réalisés dans le domaine des réseaux de neurones sur graphe, des autoencodeurs sur graphe (GAEs) et des autoencodeurs sur graphe variationnels (VGAEs) ont été proposés afin d’apprendre des représentations (embeddings) de graphe de manière non supervisée. Il a été démontré que ces méthodes sont efficaces pour les tâches de prédiction de liens. Toutefois, leur performance se dégrade lorsqu’un nœud de degré nul (c’est-à-dire un nœud isolé) est impliqué. Nous avons observé que les GAEs/VGAEs produisent des embeddings proches de zéro pour les nœuds isolés, indépendamment de leurs caractéristiques de contenu. Dans cet article, nous proposons un nouveau modèle, l’autoencodeur variationnel normalisé sur graphe (VGNAE), qui utilise une normalisation L2 afin d’obtenir de meilleures représentations pour les nœuds isolés. Nous montrons que nos VGNAE surpassent les modèles d’état de l’art existants sur les tâches de prédiction de liens. Le code est disponible à l’adresse suivante : https://github.com/SeongJinAhn/VGNAE.