近期关于图结构数据表示学习的研究主要集中在学习图子结构（如节点和子图）的分布式表示。然而，许多图分析任务（如图分类和聚类）需要将整个图表示为固定长度的特征向量。虽然上述方法在学习此类表示方面存在天然不足，但图核仍然是获取这些表示的最有效方法。然而，这些图核使用手工设计的特征（例如，最短路径、图子结构等），因此受到泛化能力差等问题的限制。为了克服这一局限性，本文提出了一种名为graph2vec的神经嵌入框架，用于学习任意大小图的数据驱动分布式表示。graph2vec的嵌入以无监督的方式进行学习，并且与具体任务无关。因此，它们可以用于任何下游任务，如图分类、聚类，甚至可以作为有监督表示学习方法的初始输入。我们在多个基准数据集和大规模真实世界数据集上的实验表明，graph2vec在分类和聚类准确性方面显著优于子结构表示学习方法，并且与最先进的图核具有竞争力。