通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。
Jan, 2024
本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。
Nov, 2018
使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。
Oct, 2023
提出了一个基于非参数方法的链接预测算法，该算法结合了端点特征和端点周围邻居的特征，可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现，实验证明该方法表现优于现有算法。
Jun, 2012
本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。
Jun, 2024
本文提出了一种无需反向传播进行参数学习的动态图嵌入方法 FreeGEM，通过一个增量式图嵌入引擎、一个模型监控模块以及一个离线校准模块，充分考虑用户协同关系和用户个性化行为模式，同时融合属性信息来更好地模拟用户群体，因此在准确度和效率方面比现有方法表现更好。
Oct, 2022
本文介绍了一种基于时序方法和通量平衡分析的方法，用于预测未来时间点的图结构，并在合成和实际数据集上验证了其效用和适用性。
本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。
Mar, 2018
本文提出了 GC-LSTM 动态网络链路预测方法，结合 Graph Convolution Network 和 LSTM 网络实现了对动态网络添加和删除链路的预测，并通过实验验证了其优于当前最优方法。
Dec, 2018
本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。
Jun, 2023