Predecir nuevos enlaces en redes complejas puede tener un gran impacto social. De hecho, muchos sistemas complejos pueden ser modelados a través de redes, y el significado de los enlaces depende del sistema en sí. Por ejemplo, en redes sociales, donde los nodos son usuarios, los enlaces representan relaciones (como conocimiento, amistad, etc.), mientras que en redes de difusión de información, los nodos son usuarios y contenido y los enlaces representan interacciones, difusión, etc. Sin embargo, aunque muchos enfoques involucran algoritmos basados en aprendizaje automático, solo los más recientes tienen en cuenta la topología de la red, por ejemplo, técnicas de aprendizaje profundo geométrico para aprender en grafos, y la mayoría de ellos no consideran la dinámica temporal en la red, sino que entrenan en instantáneas del sistema en un momento dado. En este artículo, nuestro objetivo es explorar Redes de Grafos Temporales (TGN), un enfoque basado en Aprendizaje de Representación de Grafos que admite de forma nativa grafos dinámicos y asigna a cada evento (enlace) una marca de tiempo. En particular, investigamos cómo se comporta el TGN cuando se entrena bajo diferentes granularidades temporales o con varias técnicas de agregación de eventos al aprender el problema de predicción de enlaces inductiva y transductiva en redes sociales reales como Twitter, Wikipedia, Yelp y Reddit. Encontramos que la configuración inicial afecta la granularidad temporal de los datos, pero el impacto depende de la red social específica. Por ejemplo, notamos que el tamaño del lote de entrenamiento tiene un fuerte impacto en Twitter, Wikipedia y Yelp, mientras que no importa en Reddit.