هدف تعلم تمثيل الرسوم البيانية هو غمر كل رأس في الرسم البياني في فضاء متجهي منخفض البعد. يمكن تصنيف طرق تعلم تمثيل الرسوم البيانية الحالية إلى فئتين: نماذج التوليد التي تتعلم التوزيع الأساسي للاتصالات في الرسم البياني، ونماذج التمييز التي تتوقع احتمال وجود حافة بين زوج من الرؤوس. في هذا البحث، نقترح GraphGAN، وهو إطار مبتكر لتعلم تمثيل الرسوم البيانية يجمع بين هاتين الفئتين من الطرق، حيث تقوم النموذج التوليدي والنموذج التمييزي بلعب لعبة نظرية الألعاب من نوع المينماكس (minimax). بصفة خاصة، بالنسبة لرأس معطى، تحاول النموذج التوليدي أن يتوافق مع توزيع الاتصالات الحقيقي الأساسي له على جميع الرؤوس الأخرى وينتج عينات "مزيفة" لخداع النموذج التمييزي، بينما يحاول النموذج التمييزي اكتشاف ما إذا كان الرأس العيني يأتي من الحقيقة أم يتم إنشاؤه بواسطة النموذج التوليدي. بفضل المنافسة بين هذين النموذجين، يمكن لكل منهما تعزيز أدائه بشكل متوازن وتكراري. بالإضافة إلى ذلك، عند النظر في تنفيذ النموذج التوليدي، نقترح دالة softmax جديدة للرسوم البيانية لتغلب على قيود دالة softmax التقليدية، والتي يمكن إثبات أنها تحقق خصائص مرغوبة مثل التنظيم والوعي بالهيكل البياني وكفاءة الحساب. من خلال التجارب الواسعة على بيانات حقيقية، نظهر أن GraphGAN يحقق مكاسب كبيرة في مجموعة متنوعة من التطبيقات بما في ذلك تنبؤ الروابط تصنيف العقد والتوصيات، مقارنة بأحدث الطرق الأساسية.