图嵌入是一种有效的方法，用于在低维空间中表示图数据以进行图分析。现有的大多数嵌入算法通常专注于保留图数据的拓扑结构或最小化重构误差，但它们大多忽略了来自图的潜在代码的数据分布，这往往导致在真实世界图数据中的嵌入效果较差。本文提出了一种新颖的对抗图嵌入框架，用于处理图数据。该框架将图中的拓扑结构和节点内容编码为紧凑表示，并在此基础上训练解码器以重构图结构。此外，通过对抗训练方案强制潜在表示匹配先验分布。为了学习鲁棒的嵌入，我们开发了两种对抗方法的变体：对抗正则化图自编码器（Adversarially Regularized Graph Autoencoder, ARGA）和对抗正则化变分图自编码器（Adversarially Regularized Variational Graph Autoencoder, ARVGA）。在真实世界图上的实验研究验证了我们的设计，并表明我们的算法在链接预测、图聚类和图可视化任务中显著优于基线方法。