Dans cet article, nous visons à fournir un cadre efficace de prédiction de liens par apprentissage neuronal en paires (Pairwise Learning Neural Link Prediction, PLNLP). Ce cadre traite la prédiction de liens comme un problème d'apprentissage pour le classement en paires et comprend quatre composants principaux, à savoir l'encodeur de voisinage, le prédicteur de liens, l'échantillonneur négatif et la fonction objectif. Le cadre est flexible, permettant l'utilisation de toute architecture neuronale générique de convolution graphique ou spécifique à la prédiction des liens en tant qu'encodeur de voisinage. Pour le prédicteur de liens, nous avons conçu différentes fonctions de score, qui peuvent être sélectionnées en fonction du type de graphe. Dans l'échantillonneur négatif, nous proposons plusieurs stratégies d'échantillonnage spécifiques au problème. En ce qui concerne la fonction objectif, nous suggérons d'utiliser une perte de classement efficace, qui maximise approximativement la métrique standard AUC (Area Under the Curve). Nous évaluons le cadre PLNLP proposé sur 4 jeux de données de prédiction des propriétés des liens du Open Graph Benchmark, incluant ogbl-ddi, ogbl-collab, ogbl-ppa et ogbl-citation2. PLNLP obtient les meilleures performances sur ogbl-ddi et ogbl-collab, et la deuxième meilleure performance sur ogbl-citation2 avec une architecture neuronale basique uniquement. Ces résultats démontrent l'efficacité du cadre PLNLP.