本稿では、グラフニューラルネットワーク（GNN）がリンク予測のためのさまざまな種類の情報を学習する能力について考察し、既存のリンク予測手法についても簡潔なレビューを行う。我々の分析により、GNNは、2つのノード間の共通近傍ノード数に関連する構造的情報を効果的に学習できないことが明らかになった。その主な理由は、近傍集約スキームにおける集合ベースのプーリングの性質に起因する。また、広範な実験結果から、学習可能なノード埋め込み（node embeddings）がGNNベースのリンク予測モデルの性能向上に寄与することが示された。特に、グラフがより密であるほど、その改善効果が顕著になることが観察された。この現象は、ノード埋め込みの特性に起因すると考えられる。具体的には、各リンクサンプルにおけるリンク状態が、そのリンクに含まれる2つのノードの近傍集約に参加するノードの埋め込みに符号化されるためである。密なグラフでは、各ノードが他のノードの近傍集約に参加する機会が増加し、より多くのリンクサンプルの状態を自身の埋め込みに反映できるため、より優れたノード埋め込みが得られ、結果としてリンク予測性能が向上する。最後に、本研究から得られた知見は、既存のリンク予測手法の限界を特定する上で重要な示唆を提供しており、今後のより堅牢なアルゴリズムの開発に向けた指針となる可能性がある。