پیش بینی لینک در شبکه های پیچیده و گراف های پویا یکی از چالش های برجسته در تحلیل داده ها است. در این مقاله، دو رویکرد مبتنی بر یادگیری بازنمایی گره و یادگیری آنسامبل برای بهبود پیش بینی لینک ارائه شده است. در رویکرد اول، از روش های بازنمایی گره شامل شبکه های پیچشی گرافی (GCN) و GraphSAGE برای استخراج و ترکیب بردارهای بازنمایی گره ها استفاده شده است. این ترکیب به افزایش دقت مدل در بازنمایی گره ها و پیش بینی لینک ها منجر گردید. در رویکرد دوم، از مدل پیش بینی لینک پویا با یادگیری بازنمایی جفت گره ها بهره گرفته شده است. این مدل از شبکه های عصبی گرافی (GNNs) برای مدل سازی وابستگی های زمانی بین گره ها و بهبود پیش بینی لینک های آینده استفاده کرده است. علاوه بر این، برای کاهش واریانس و افزایش دقت پیش بینی، از روش یادگیری آنسامبل به صورت بگینگ استفاده شده است. در این روش، چندین مدل GraphSAGE بر روی نمونه های مختلف داده های آموزشی اجرا و نتایج آن ها ترکیب شده اند. نتایج آزمایش های شبیه سازی نشان می دهد که ترکیب این تکنیک ها به طور قابل توجهی دقت پیش بینی، کاهش خطای پیش بینی و بهبود اعتماد به نتایج مدل ها را افزایش داده است.