本文提出了一种名为 {GraRep} 的新模型，用于学习加权图中顶点的表示。该模型通过学习低维向量来表示图中的顶点，并且与现有方法不同的是，它在学习过程中融入了图的全局结构信息。我们还对本工作与若干先前研究之间的联系进行了形式化分析，包括 Perozzi 等人提出的 DeepWalk 模型，以及 Mikolov 等人提出的带有负采样的 skip-gram 模型。我们在语言网络、社交网络和引用网络上进行了实验，结果表明，所学习到的全局表示可有效作为聚类、分类和可视化等任务的特征。实验结果表明，该表示方法在上述任务中显著优于其他现有的先进方法。