進化するネットワークは、科学と工学のさまざまなシステムで現れる複雑なデータ構造です。これらのネットワークの表現を学習し、その構造的な接続性と時間的進化を符号化することは、下流のデータ分析や機械学習アプリケーションにとって不可欠です。本研究では、時間的ネットワークの表現を学習する自己監督方法を導入し、これらの表現を動的なリンク予測タスクに用います。時間的ネットワークは通常、連続時間領域における相互作用の系列として特徴付けられますが、本研究では離散時間版に焦点を当てています。これにより、計算の複雑さと相互作用の精密なモデリングとの間のトレードオフを調整することが可能になります。我々は、時間的ネットワークの時系列パス上の情報流れをモデル化するために、再帰的なメッセージ伝播ニューラルネットワークアーキテクチャを提案します。当手法の主要な特徴は、モデルの対照的訓練目標であり、これは3つの損失関数（リンク予測損失、グラフ再構築損失、および対照的予測コーディング損失）の組み合わせから成ります。対照的予測コーディング目標は、入力グラフの局所スケールと全体スケールにおいてinfoNCE損失を使用して実装されます。我々は経験的に示しましたが、追加された自己監督損失が訓練を強化し、動的なリンク予測タスクにおけるモデル性能を向上させます。提案された手法はEnron, COLAB, およびFacebookデータセットでテストされ、既存モデルよりも優れた結果を示しました。