链接预测是图结构数据中的一项关键问题。随着图神经网络的发展，图自编码器（Graph Autoencoders, GAEs）和变分图自编码器（Variational Graph Autoencoders, VGAEs）被提出，用于以无监督方式学习图嵌入，已在链接预测任务中展现出良好的效果。然而，当涉及度为零的节点（即孤立节点）时，这些方法的性能显著下降。我们发现，GAEs/VGAEs会将孤立节点的嵌入表示压缩至接近零向量，无论其内容特征如何。针对这一问题，本文提出一种新型的变分图归一化自编码器（Variational Graph Normalized AutoEncoder, VGNAE），通过引入L2归一化机制，有效提升孤立节点的嵌入质量。实验结果表明，所提出的VGNAE在链接预测任务上优于现有最先进模型。代码已开源，获取地址为：https://github.com/SeongJinAhn/VGNAE。