Trong bài báo này, chúng tôi chỉ ra rằng mặc dù các mô hình Dự đoán Liên kết (LP) tiên tiến thể hiện hiệu suất tuyệt vời trên các tập dữ liệu chuẩn, nhưng trong các tình huống thực tế, phân phối của các mẫu huấn luyện, xác thực và kiểm tra không đại diện cho toàn bộ phân phối của tập dữ liệu. Trong khi các nghiên cứu trước đây chủ yếu tập trung vào các tác vụ ở cấp độ nút và đồ thị, bài báo này đề cập đến vấn đề dịch chuyển tập dữ liệu đối với các tác vụ ở cấp độ liên kết. Để giải quyết vấn đề này, chúng tôi đề xuất một chiến lược phân tách mới, LPShift, tạo ra sự dịch chuyển phân phối có kiểm soát bằng cách khai thác các đặc điểm cấu trúc. Chúng tôi đánh giá thực nghiệm các mô hình LP tiên tiến trên 16 tập dữ liệu được đột biến LPShift, chứng minh sự cải thiện đáng kể về hiệu suất mô hình và chứng minh thêm thông qua các thí nghiệm bổ sung rằng cấu trúc đồ thị ảnh hưởng đáng kể đến sự thành công của các phương pháp khái quát hóa hiện có.
