그래프 신경망은 그래프의 구조적 특성과 노드 속성을 함께 활용함으로써 링크 예측에서 높은 정확도를 달성한다. 그러나 기존의 구조적 정보는 간접적으로 표현된다. 최신의 하위그래프 분류 기반 방법들은 타깃 링크로부터의 거리 정보를 기반으로 노드를 레이블링함으로써 구조적 정보를 활용하지만, 이 과정에서 풀링(featue pooling)을 통해 정보가 왜곡되게 된다. 이는 네트워크 형성 메커니즘과 관련된 루프나 모티프와 같은 중요한 특징을 효과적으로 활용하는 데 어려움을 초래한다. 본 연구에서는 새로운 풀링 기법인 WalkPool을 기반으로 한 링크 예측 알고리즘을 제안한다. WalkPool은 구조적 히어리스틱의 표현력과 신경망의 특징 학습 능력을 결합한다. 이 방법은 인접한 경로들의 랜덤 워크 확률을 통해 가설적인 링크를 요약한다. 기존 그래프로부터 전이 확률을 직접 추출하는 대신, 학습된 특징에 주의(attention)를 적용하여 '예측용' 잠재 그래프의 전이 행렬을 계산함으로써, 특징에 민감한 구조적 지문(구조적 특징의 정제된 표현)을 생성할 수 있다. WalkPool은 비지도 노드 특징을 활용할 수 있으며, GNN과 결합하여 엔드 투 엔드로 학습할 수도 있다. 제안된 방법은 동종성과 이종성 네트워크를 포함한 모든 일반적인 링크 예측 벤치마크에서 최신 기술을 능가하며, 노드 속성이 존재하거나 부재하는 경우에도 뛰어난 성능을 보였다. 비지도 GNN에 WalkPool을 적용한 결과 예측 정확도가 크게 향상되었으며, 이는 WalkPool이 일반적인 그래프 풀링 기법으로 활용될 수 있음을 시사한다.