Este artículo aborda el aprendizaje temporal de grafos, un factor crucial en redes dinámicas donde los nodos y las aristas evolucionan con el tiempo y se añaden continuamente nuevos nodos al sistema. Específicamente, nos centramos en dos desafíos clave: representar eficazmente nuevos nodos y mitigar la información gráfica ruidosa o redundante. Para lograrlo, proponemos un marco multiobjetivo, GTGIB, que integra el Aprendizaje de Estructura de Grafos (GSL) y el Cuello de Botella de Información Temporal de Grafos (TGIB). Diseñamos un novedoso potenciador de estructura de dos etapas basado en GSL para enriquecer y optimizar las vecindades de los nodos, y demostramos su eficacia y eficiencia mediante pruebas teóricas y experimentos. TGIB mejora el grafo optimizado regulando tanto las aristas como las características mediante una función objetivo TGIB manejable derivada mediante aproximación variacional, lo que permite una optimización estable y eficiente. Evaluamos el rendimiento de la predicción de enlaces del modelo basado en GTGIB en cuatro conjuntos de datos de red del mundo real. El modelo basado en GTGIB supera a los métodos existentes en el entorno inductivo en todos los conjuntos de datos y demuestra mejoras de rendimiento significativas y consistentes en el entorno transitivo.
