La prédiction de liens, qui consiste à anticiper l’existence d’un lien ou d’un arête entre deux sommets dans un graphe, est un problème classique en apprentissage automatique. Intuitivement, si la distance parcourue entre les sommets u et v le long des arêtes existantes est élevée, il est peu probable qu’un lien les relie, et réciproquement. Cette observation nous incite à intégrer explicitement les informations de distance dans les réseaux de neurones graphiques (GNN) afin d’améliorer la précision de la prédiction de liens. Toutefois, le calcul des distances entre toutes paires de sommets (par exemple, le plus court chemin, l’espérance d’un marche aléatoire) pendant l’entraînement s’avère coûteux en temps. Pour surmonter cette difficulté, nous proposons une méthode basée sur des sommets d’ancrage : nous sélectionnons aléatoirement K sommets d’ancrage dans le graphe, puis calculons les distances les plus courtes de tous les sommets du graphe à ces K sommets. La distance entre deux sommets u et v est ensuite estimée comme la moyenne de leurs distances respectives aux K sommets d’ancrage. Cette estimation de distance est ensuite introduite dans le module GNN. Notre approche permet d’obtenir une amélioration significative de la prédiction de liens, avec un nombre négligeable de paramètres supplémentaires. Nous avons atteint des résultats de pointe sur les tâches de liaison entre médicaments (DDI) et d’association entre protéines (PPA) du benchmark OGB (Hu et al., 2020). Le code source est disponible à l’adresse suivante : https://github.com/lbn187/DLGNN.