La predicción de enlaces es un problema fundamental en los grafos. Actualmente, los métodos de Aprendizaje de Representación de Subgrafos (SGRL) proporcionan soluciones de vanguardia para la predicción de enlaces al transformar la tarea en un problema de clasificación de grafos. Sin embargo, las soluciones de SGRL existentes sufren de altos costos computacionales y carecen de escalabilidad. En este documento, proponemos un nuevo marco de SGRL llamado Difusión de Características Aumentadas en Subgrafo Muestreado Dispersamente (AFD3S). El AFD3S primero utiliza un autoencoder variacional condicional para aumentar las características locales del grafo de entrada, mejorando efectivamente la capacidad expresiva de las Redes Neuronales de Grafos descendentes. Luego, basándose en una estrategia de caminata aleatoria, se obtienen subgrafos muestreados dispersamente a partir de los pares de nodos objetivo, reduciendo la sobrecarga computacional y de almacenamiento. Luego se realiza una difusión de grafos en el subgrafo muestreado para lograr una ponderación específica. Finalmente, la matriz de difusión del subgrafo y su matriz de características aumentadas se utilizan para la difusión de características para obtener representaciones de nodos a nivel de operador como entradas para la predicción de enlaces basada en SGRL. La difusión de características simula efectivamente el proceso de paso de mensajes, simplificando el aprendizaje de representación de subgrafos, acelerando así la velocidad de entrenamiento e inferencia del aprendizaje de subgrafos. Nuestro AFD3S propuesto logra un rendimiento óptimo de predicción en varios conjuntos de datos de referencia, con costos de almacenamiento y computacionales significativamente reducidos.