グラフ上のリンク予測は、根本的な問題として位置づけられる。部分グラフ表現学習手法（Subgraph Representation Learning, SGRL）は、リンク周辺の部分グラフに対してグラフ分類問題としてリンク予測を定式化することで、リンク予測において最先端の性能を達成している。しかしながら、SGRLは部分グラフレベルの演算が高コストであるため、計算量が膨大であり、大規模グラフへのスケーラビリティに欠けるという課題を抱えている。SGRLのスケーラビリティを実現するために、本研究では新たなSGRLのクラス、すなわち「スケーラブル・シンプルSGRL（Scalable Simplified SGRL, S3GRL）」を提案する。S3GRLは、各リンクの部分グラフにおけるメッセージパッシングおよびアグリゲーション操作を簡素化することで、トレーニングおよび推論の高速化を実現することを目的としている。S3GRLは、さまざまな部分グラフサンプリング戦略や拡散演算子（diffusion operators）を組み合わせることで、計算コストの高い従来のSGRLを効果的に模倣可能なスケーラビリティフレームワークとして設計されている。本研究では、S3GRLの複数の具体例を提案し、小規模から大規模なグラフまで幅広く実験的に検証した。広範な実験の結果、提案するS3GRLモデルは、性能の著しい低下を伴わず、SGRLのスケーラビリティを大幅に向上させることを実証した（一部のケースでは性能の向上も確認された）。さらに、計算負荷を著しく低減し、推論およびトレーニング速度において数倍の高速化を達成している。