网络结构自然存在于现实世界的各种复杂系统中,例如社交网络、购物网络、合著网络、Ad-hoc网络和计算生物学等。这些复杂系统中的许多问题都可以通过网络结构进行推理。在早期的研究中,网络分析方法主要集中在静态网络上,然而现实世界的网络会表现出各种动态行为,例如拓扑演化、特征演化和特征扩散等。事实上,动态性是决定大多数网络系统性能的一个重要因素,因此对于网络系统动态性的研究被视为一个需要深入探索的关键问题,而动态网络的链路预测任务则被认为是研究这一问题的有效手段。虽然最近几年针对动态网络时序链路预测问题的研究激增,但是由于动态网络中存在着大量的难以捕获的时间信息,如何将这些时间信息与网络的拓扑信息结合,并进行动态网络的链路预测,仍是一项具有挑战性的任务。本文提出了一种基于生成对抗学习的时序链路预测模型（GARG）,该模型将图卷积网络（GCN）、门控循环神经网络（GRU）、注意力机制和生成对抗网络（GAN）相结合,可以充分利用动态网络的动态性、拓扑结构和演化模式来提高时序链路预测的性能。具体来说,GARG首先通过GCN来学习每个网络快照的空间特征,然后利用GRU来捕获动态网络中隐藏的时间特征与演化模式,结合自注意力机制进一步加强对每个网络快照的最相关时间点的理解。此外,利用GAN增强GARG模型学习动态网络特征以及生成高质量预测网络的能力,能有效地解决动态网络中链接的稀疏性和链接权重的宽值域问题。为了验证模型的有效性,本文在UCSB、CALL、ENRON和EU-Dept四个不同数据集上进行了仿真实验,实验结果表明,GARG在RMSE、KL散度和失配率等指标上的综合性能高于基线方法。虽然GARG模型在中小型网络中表现良好,但是由于过高的计算复杂度和内存占用,使其难以扩展到大规模网络中。为此本文提出了一种基于递归变分图卷积的时序链路预测模型（VTSA）。该模型旨在利用大规模动态网络中丰富的时间和空间信息来捕获网络的拓扑结构和演化模式,学习网络中节点的表示。VTSA模型利用网络中不同深度的层次递归来探索时间以及空间的变化,在多个时间步共享参数,以达到减少模型整体参数的目的,使VTSA模型可以更灵活地扩展到更大的网络中。最后,通过变分推断技术采样最终的节点表示,以使节点的最终表示更加鲁棒和稳定,预测结果更精准。通过在FB、EU和CollegeMsg三个真实数据集上的仿真实验,VTSA模型表现出了良好的性能,与GARG模型的对比,证明其更适用于大规模动态网络。