图通常作为一种形式化符号来描述和建模复杂的信息网络,现实世界中的许多实例都可以建模为图。近年来图数据被广泛应用于复杂关系的领域,例如互联网上网站之间的链接构成的因特网、微博和微信等用户之间的联系构成的社交网络、蛋白质相互作用构成的生物信息网络以及论文引用网络等。因此现代研究者们提出了一系列图挖掘算法,有效解决了图上的机器学习问题,包括节点分类、链接预测、节点聚类、图相似性以及图可视化。和图像数据不同,图数据中的节点之间是相互关联的,节点与节点之间的链接有着丰富的语义信息,这也是当下研究者们关注的信息挖掘关键点。但是基于图拓扑结构的挖掘算法往往在真实数据上表现欠佳,究其原因是研究者们忽略了节点本身通常遵循一致的概率分布,而在一个领域内的节点通常呈正态分布或者幂律分布。针对这一问题,本文在当下图嵌入算法的研究基础上额外加入相邻节点之间多阶混合的语义信息,提出了一个基于图卷积神经网络的图嵌入算法,MNSAGE（Mixed Neighbor Semantic Autoencoder of Graph Embedding）。同时,本文研究发现节点的冗余属性会影响网络性能,现有方法往往依靠领域专家来筛选节点属性,但这无疑会增加额外的人力成本。本文探索设计了一种两段往复式训练方法使模型自动的筛选最有价值的属性。训练的第一阶段旨在学习分离出图中节点有价值的属性和冗余属性,第二阶段使用去除冗余属性的节点来学习节点分布得到图嵌入矩阵。MNSAGE的两个阶段结构一致,主要由三个部分组成:输入部分、编码部分和解码部分。输入部分将图的结构信息以及节点属性信息转换为图卷积神经网络能够识别的矩阵形式;编码部分由改进的图卷积层构成,旨在学习相邻节点的多阶混合语义信息;解码部分利用多任务思想交替学习图的拓扑结构和节点的概率分布。为了提高模型性能,在解码部分本文巧妙设计生成对抗网络来学习节点概率分布。本文的贡献如下:（i.）受图卷积神经网络的启发,本文提出了一种新的基于图卷积神经网络的图嵌入算法—MNSAGE。该方法训练一个自编码器,利用多任务学习模式来交替学习图数据的拓扑结构和图中节点的概率分布。（ii.）为了更好的学习图数据中相邻节点的多阶语义关系,更加全面的挖掘图中信息,在图卷积神经网络的基础上进行了改进,设计了一个新的图卷积层作为编码器,将图中相邻节点的多阶语义信息编码到一个稠密的向量当中。（iii.）为了进一步提升模型性能,本文对MNSAGE进行了改进,设计了两段往复式训练模式,改进后的模型称为MSNAGE+。在第一阶段训练中利用门控机制,自动筛选出节点中最有价值的属性,去除冗余属性,以达到减少人工成本的目的。（iv.）本文使用了五个真实数据集包括三个引文网络数据集、一个社交网络数据集、一个生物蛋白质网络数据集来评估MNSAGE的性能。实验结果验证了MNSAGE在性能上的优越性,如在Cora数据集中MNSAGE的F1分数比同类型算法ARVGA的高了33.8%,比Graph Encoder高了215.1%。这一结果充分说明MNSAGE能够更好的学习图中语义信息以及节点的概率分布。接着本文将MNSAGE+和MNSAGE进行对比,验证了MNSAGE+在性能上的优越性。