Les réseaux de neurones graphiques atteignent une haute précision dans la prédiction des liens en exploitant conjointement la topologie du graphe et les attributs des nœuds. Cependant, la topologie est représentée de manière indirecte : les méthodes de pointe basées sur la classification de sous-graphes étiquettent les nœuds selon leur distance par rapport au lien cible, de sorte que, bien que l'information topologique soit présente, elle est atténuée par le processus de pooling. Cela rend difficile l’exploitation de caractéristiques telles que les boucles ou les motifs associés aux mécanismes de formation des réseaux. Nous proposons un algorithme de prédiction de liens fondé sur un nouveau schéma de pooling appelé WalkPool. WalkPool combine l’expressivité des heuristiques topologiques avec la capacité d’apprentissage de caractéristiques des réseaux de neurones. Il résume un lien potentiel à l’aide de probabilités de marche aléatoire le long des chemins adjacents. Contrairement aux approches classiques qui extraient les probabilités de transition à partir du graphe original, WalkPool calcule la matrice de transition d’un graphe latent « prédictif » en appliquant une attention aux caractéristiques apprises ; cette opération peut être interprétée comme une empreinte topologique sensible aux caractéristiques. WalkPool peut exploiter des caractéristiques de nœuds non supervisées ou être combiné avec des GNNs et entraîné de manière end-to-end. Il surpasser les méthodes de pointe sur toutes les bases de données classiques de prédiction de liens, tant dans les cas homophiles que hétérophiles, avec ou sans attributs de nœuds. L’application de WalkPool à un ensemble de GNNs non supervisés améliore significativement la précision de prédiction, ce qui suggère qu’il pourrait être utilisé comme un schéma général de pooling de graphes.