이 연구에서는 새로운 링크 예측 모델을 제안하고, 그래프의 불완전성에 대한 분석을 통해 이를 further 향상시킨다. 먼저, 구조적 특징(Structural Feature, SF)을 활용하여 MPNN의 표현 풀링을 안내하는 혁신적인 아키텍처인 MPNN-then-SF를 소개한다. 이 아키텍처의 구현으로 Neural Common Neighbor(NCN)를 제안하며, 기존 모델들이 SF-then-MPNN(구조적 특징을 MPNN의 입력에 보완하는 방식)과 SF-and-MPNN(구조적 특징과 MPNN를 분리하는 방식)으로 나뉘는 것과 달리, NCN은 더 뛰어난 표현력과 확장성을 갖춘다. 두 번째로, 입력 그래프에서 일부 링크가 관측되지 않는 그래프의 불완전성 현상이 구조적 특징(예: 공통 이웃)에 미치는 영향을 탐구한다. 데이터셋 시각화를 통해 불완전성이 공통 이웃 수를 감소시키고 분포 이동(distribution shift)을 유도함을 관찰하였으며, 이는 모델 성능에 상당한 영향을 미친다. 이러한 문제를 해결하기 위해, 링크 예측 모델을 활용하여 공통 이웃 구조를 보완하는 방안을 제안한다. 이 방법을 NCN과 결합하여 Neural Common Neighbor with Completion(NCNC)을 제안한다. NCN과 NCNC는 최근의 강력한 베이스라인 모델들보다 크게 우수하며, 특히 NCNC는 표준 링크 예측 벤치마크에서 최신 기술(SOTA) 모델들을 초월한다. 본 연구의 코드는 https://github.com/GraphPKU/NeuralCommonNeighbor 에서 공개되어 있다.