リンク予測はネットワーク構造データにとって重要な問題である。リンク予測のヒューリスティック手法は、共通近隣（common neighbors）やカッツ指数（Katz index）などのスコア関数を使用して、リンクの存在確率を測定する。これらの手法は単純さ、解釈可能性、そして一部の手法にはスケーラビリティがあるため、実際の用途で広く利用されている。しかし、各ヒューリスティック手法は2つのノードがリンクしやすい状況について強い仮定を持っているため、これらの仮定が成り立たないネットワークでは効果が制限される。この点において、事前に定義されたヒューリスティックではなく、与えられたネットワークから適切なヒューリスティックを学習することがより合理的な方法であると考えられる。各ターゲットリンクを中心に局所部分グラフを抽出することで、部分グラフパターンをリンクの存在にマッピングする関数を学習することを目指し、これにより現在のネットワークに適合した「ヒューリスティック」を自動的に学習することができる。本論文では、このリンク予測におけるヒューリスティック学習パラダイムについて研究している。まず、新しい$\gamma$減衰ヒューリスティック理論を開発した。この理論は単一の枠組みで多様なヒューリスティック手法を統一し、これらすべての手法が局所部分グラフから良好に近似できることを証明している。我々の結果は、局所部分グラフがリンク存在に関連する豊富な情報を保持していることを示している。次に、$\gamma$減衰理論に基づいて、グラフニューラルネットワーク（GNN）を使用して局所部分グラフからヒューリスティックを学習する新しいアルゴリズムを提案した。実験結果は前例のない性能を示しており、多様な問題に対して一貫して優れた結果を得ていることが確認された。