La prédiction de liens sur les graphes constitue un problème fondamental. Les approches d’apprentissage de représentations de sous-graphes (SGRL, Subgraph Representation Learning) transforment la tâche de prédiction de liens en un problème de classification de graphes appliqué aux sous-graphes entourant les liens, et ont atteint des performances de pointe dans ce domaine. Toutefois, les méthodes SGRL sont coûteuses en termes de calcul et ne se généralisent pas efficacement aux grands graphes en raison des opérations coûteuses au niveau des sous-graphes. Pour surmonter cette limitation de scalabilité, nous proposons une nouvelle classe de méthodes SGRL, que nous appelons S3GRL (Scalable Simplified SGRL). Conçue pour accélérer l’entraînement et l’inférence, la méthode S3GRL simplifie les opérations d’échange et d’agrégation de messages au sein des sous-graphes associés à chaque lien. En tant que cadre scalable, S3GRL est compatible avec diverses stratégies d’échantillonnage de sous-graphes et divers opérateurs de diffusion, permettant ainsi de reproduire les performances des SGRL coûteux en calcul. Nous proposons plusieurs variantes de S3GRL et les évaluons empiriquement sur des graphes de tailles variées, allant des petits aux très grands. Nos expériences étendues démontrent que les modèles S3GRL permettent une montée en échelle significative des SGRL sans compromettre notablement la performance (et même avec des gains importants dans certains cas), tout en réduisant considérablement leur charge computationnelle (par exemple, accélérations multipliées de l’inférence et de l’entraînement).