El muestreo es un paso importante en el proceso de aprendizaje automático porque prioriza las muestras que ayudan al modelo a resumir mejor los conceptos importantes requeridos para la tarea en cuestión. El proceso de determinar el mejor método de muestreo ha sido raramente estudiado en el contexto de las redes neuronales gráficas. En este artículo, evaluamos múltiples métodos de muestreo (es decir, ascendente y descendente) que muestrean en función de diferentes definiciones de centralidad (es decir, Voterank, Pagerank, grado) para observar su relación con la topología de la red. Encontramos que ningún método de muestreo es superior en todas las topologías de red. Además, encontramos situaciones en las que el muestreo ascendente proporciona mejores puntuaciones de clasificación, mostrando la fuerza de los lazos débiles. Luego se crean dos estrategias para predecir el mejor método de muestreo, una que observa la conectividad homogénea de los nodos y otra que observa la topología de la red. En ambos métodos, podemos evaluar consistentemente la mejor dirección de muestreo.