Les réseaux de neurones à passage de messages (MPNN) sont devenus la norme de facto dans l'apprentissage des représentations de graphes. Toutefois, lorsqu'il s'agit de prédire les liens, ils peinent souvent à rivaliser avec des heuristiques simples telles que le nombre de voisins communs (Common Neighbor, CN). Cette disparité découle d'une limitation fondamentale : si les MPNN excellent dans la représentation des nœuds, ils échouent à capturer efficacement les caractéristiques structurelles conjointes essentielles à la prédiction des liens, comme le CN. Pour combler cet écart, nous proposons que, grâce à l'orthogonalité des vecteurs d'entrée, le passage de messages pur peut effectivement capter ces caractéristiques structurelles conjointes. Plus précisément, nous étudions la capacité des MPNN à approximer l'heuristique CN. Sur la base de nos observations, nous introduisons le prédicteur de liens par passage de messages (Message Passing Link Predictor, MPLP), un nouveau modèle de prédiction de liens. MPLP exploite des vecteurs quasi-orthogonaux pour estimer les caractéristiques structurelles au niveau du lien, tout en préservant la complexité des représentations au niveau des nœuds. En outre, notre approche démontre que l'utilisation du passage de messages pour capturer les caractéristiques structurelles peut compenser les limites d'expressivité des MPNN, au prix d'une augmentation de la variance d'estimation. Nous menons des expériences sur des jeux de données standard provenant de divers domaines, où notre méthode s'avère systématiquement supérieure aux méthodes de référence.