针对动态交互网络中节点结构角色利用不足、多层时序表示融合易引入冗余信息，以及仅保留最终层表示时浅层局部交互模式和中间层时序语义容易丢失、进而限制模型对新节点和稀疏交互场景适应能力的问题，提出一种结构增强层级门控TPNet的时序链路预测方法(Structure-enhanced Hierarchical Gated TPNet，SHG-TPNet)。该方法以时序游走矩阵投影网络(TPNet)为基础，首先基于训练阶段可见历史交互构建度中心性、社团规模和社团内部邻居比例等结构特征，以增强节点局部拓扑角色表达；其次通过逐层嵌入保留不同深度的时序语义；最后设计门控融合机制，自适应筛选不同层级表示并完成链路预测。在Wikipedia、Reddit、SocialEvo等七个真实动态网络数据集上的实验表明，相较TPNet，SHG-TPNet在普通测试场景下的Test AP和Test AUC平均提升0.0167和0.0234，在新节点预测场景下的New AP和New AUC平均提升0.0088和0.0108；消融实验验证了三个增强模块的有效性。