تعلم تمثيلات الرسوم البيانية هو مهمة أساسية تهدف إلى التقاط خصائص مختلفة للرسوم البيانية في الفضاء المتجهي. الطرق الأكثر حداثة تتعلم مثل هذه التمثيلات للشبكات الثابتة. ومع ذلك، فإن الشبكات الحقيقية تتطور مع مرور الوقت ولديها ديناميكيات متنوعة. التقاط هذا التطور هو أمر حاسم لتنبؤ خصائص الشبكات غير المرئية. لفهم كيف تؤثر الديناميكيات الشبكية على أداء التنبؤ، نقترح نهجًا للتمثيل يتعلم بنية التطور في الرسوم البيانية الديناميكية ويمكنه التنبؤ بالروابط غير المرئية بدقة أعلى. نموذجنا، dyngraph2vec (دينغراف تو فيك)، يتعلم الانتقالات الزمنية في الشبكة باستخدام هندسة عميقة تتكون من طبقات كثيفة ومتكررة. نبرر الحاجة إلى التقاط الديناميكيات للتنبؤ باستخدام مجموعة بيانات بسيطة تم إنشاؤها باستخدام نماذج الكتل العشوائية. ثم نوضح فعالية dyngraph2vec (دينغراف تو فيك) مقارنة بالطرق المتقدمة الحالية على مجموعتين من البيانات الحقيقية. نلاحظ أن تعلم الديناميكيات يمكن أن يحسن جودة التمثيل ويحقق أداءً أفضل في تنبؤ الروابط.