با توسعه سریع شبکه های اجتماعی، تعیین دورنمای نیازهای آتی برای تحلیل و پیش بینی های لازم از نظر کاهش مخاطرات و افزایش دقت و صحت در تصمیم سازی، نیازمند مدل سازی مقیاس پذیر و انتخاب الگوریتم های سریع و دقیق است. برای اطمینان از درک فعل و انفعالات شبکه، گزینش الگوریتم مناسب در استفاده از دانش ساختاری شبکه به جای دانش رفتاری بسیار مشکل است. این امر نیاز به فرآیند یادگیری تغییرات شبکه در زمان های متوالی را حذف و امکان پیش بینی سریع در دو زمان متوالی تصمیم گیری را برای داده های حجیم فراهم می کند. ما در این مقاله روش توزیعی مقیاس پذیر جدیدی برای پیش بینی دقیق لینک در شبکه های اجتماعی با استفاده از ویژگی های ساختاری آن شبکه ها و بدون هیچ نیازی به سابقه گیری ارایه می دهیم که ضمن مدل سازی عامل گرای مساله و انتخاب انجمن ها، از الگوریتم جستجوی گرانشی برای تشخیص لینک های مقتضی بین انجمن ها بهره می برد. نتایج ارزیابی آزمایش ها نشان می دهد که عملکرد روش پیشنهادی در سناریوهای مجموعه داده ای مختلف شبکه، مقیاس پذیر و از دقت میانگین77درصد و صحت میانگین 75درصد برخوردار است. ضمنا با داشتن ساختار توزیعی و با برخورداری از پاسخ زمانی مناسب، در صورت انتخاب بهینه عامل ها و تخصیص مناسب پردازنده به آن ها، با بهبود زمان پاسخ و افزایش قدرت مقیاس پذیری مواجه خواهد شد.