随着信息技术的发展,人类社会积累了大量的图数据,其中相当一部分是动态异质图数据。动态异质图是一种由附带有时间标签的多种类型事件构成的图,建模动态异质图能够应用于多个下游任务,如链接预测、节点分类等。这些任务中,动态异质图的链接预测被广泛地应用于推荐系统、社交网络等多个重要场景。近年来,图神经网络等范式在动态异质图的链接预测上取得了较大的进展。然而,动态异质图的链接预测在事件影响力衰减的有效利用、事件类型因果性的充分利用上依然存在一些亟待解决的问题。本文对以上两个问题进行了探索和研究,提出了解决方案并在实验中分别验证了每个算法的有效性。主要研究内容如下:（1）针对事件影响力衰减的有效利用这一问题,本文提出了动态异质图上的事件影响力衰减机制,显式定义事件影响力衰减过程。基于事件影响力衰减机制,本文提出了基于事件影响力衰减的异质注意力网络。该方法使用基于事件影响力衰减的子图聚合模块捕捉图的拓扑结构。基于事件衰减机制的子图聚合模块改进自图自注意力结构,能够对节点的邻域中影响力高的事件分配更多的注意力,从而使得聚合的信息具有更强的时效性。此外,该方法利用时序遗忘机制对图快照序列的信息进行聚合,能够个性化地根据节点特征对事件影响力进行额外衰减,且能够捕捉动态异质图的动态性。（2）针对事件因果性被忽略这一问题,本文首先提出了一种显式定义边类型关系的异质因果图。异质因果图显式建模了事件类型之间的因果性,通过屏蔽无关类型的历史事件,从图结构的角度利用事件类型因果性。随后,本文提出了一种基于事件类型因果关系的连续时间异质注意力网络来建模动态异质图。在预测过程中,该方法基于事件类型的因果的强度进行特征的聚合,能够为与待预测事件因果性较强的历史事件分配更多的注意力,进而从模型的角度利用事件类型因果性。对于事件类型的因果性强度的利用能够为预测过程减少来自弱相关事件的噪音。本文在多个数据集上对以上两个算法的有效性进行验证,结果表明,与同类算法相比,两个方法均在链接预测实验上取得了更好的表现。