Bài báo này đề cập đến việc học đồ thị theo thời gian, đóng vai trò quan trọng trong các mạng động, nơi các nút và cạnh phát triển theo thời gian và các nút mới liên tục được thêm vào hệ thống. Cụ thể, chúng tôi tập trung vào hai thách thức chính: biểu diễn hiệu quả các nút mới và giảm thiểu thông tin đồ thị nhiễu hoặc dư thừa. Để đạt được điều này, chúng tôi đề xuất một khuôn khổ đa mục tiêu, GTGIB, tích hợp Học Cấu trúc Đồ thị (GSL) và Nút Cổ chai Thông tin Đồ thị Thời gian (TGIB). Chúng tôi thiết kế một bộ tăng cường cấu trúc hai giai đoạn mới dựa trên GSL để làm giàu và tối ưu hóa các lân cận nút, đồng thời chứng minh tính hiệu quả của nó thông qua các bằng chứng lý thuyết và thực nghiệm. TGIB cải thiện đồ thị đã được tối ưu hóa bằng cách điều chỉnh cả cạnh và đặc trưng thông qua một hàm mục tiêu TGIB dễ quản lý được suy ra thông qua phép xấp xỉ biến phân, cho phép tối ưu hóa ổn định và hiệu quả. Chúng tôi đánh giá hiệu suất dự đoán liên kết của mô hình dựa trên GTGIB trên bốn tập dữ liệu mạng thực tế. Mô hình dựa trên GTGIB vượt trội hơn các phương pháp hiện có trong bối cảnh quy nạp trên tất cả các tập dữ liệu và thể hiện sự cải thiện hiệu suất đáng kể và nhất quán trong bối cảnh bắc cầu.
