演化网络是在科学和工程领域的多种系统中出现的复杂数据结构。学习这些网络的表达性表示，以编码其结构连接性和时间演变，对于下游数据分析和机器学习应用至关重要。在本研究中，我们提出了一种自监督方法来学习时序网络的表示，并将这些表示应用于动态链接预测任务。尽管时序网络通常被描述为连续时间域上的一系列交互，但我们的研究重点在于它们的离散时间版本。这使我们能够在计算复杂度和交互精确建模之间取得平衡。我们提出了一种递归消息传递神经网络架构，用于建模时序网络中随时间尊重路径的信息流。该方法的关键特征是模型的对比训练目标，该目标结合了三种损失函数：链接预测损失、图重构损失和对比预测编码损失。对比预测编码目标通过在输入图的局部和全局尺度上使用infoNCE损失来实现。我们通过实验证明，额外的自监督损失增强了训练过程并提高了模型在动态链接预测任务中的性能。所提出的这种方法在Enron、COLAB和Facebook数据集上进行了测试，并表现出优于现有模型的结果。