学习图表示是一项基础任务，旨在将图的各种属性捕捉到向量空间中。最近的方法主要针对静态网络学习此类表示。然而，现实世界中的网络会随时间演变并具有不同的动态特性。捕捉这种演变对于预测未见网络的属性至关重要。为了理解网络动态如何影响预测性能，我们提出了一种嵌入方法，该方法可以学习动态图中的演化结构，并以更高的精度预测未见链接。我们的模型——dyngraph2vec，利用由密集层和递归层组成的深度架构来学习网络中的时间转换。我们通过一个使用随机块模型创建的玩具数据集来说明捕捉动态对预测的重要性。然后，我们在两个真实世界的数据集上展示了dyngraph2vec相对于现有最先进方法的有效性。我们观察到，学习动态可以提高嵌入的质量，并在链接预测中获得更好的性能。