图的表示任务近年来取得了显著的成果，这主要归功于在图结构数据上应用卷积神经网络（CNNs）的学习方法。尽管CNNs在图分类任务中表现出色，但这些方法属于监督学习范畴，因此偏离了网络表示的原始问题，即以任务无关的方式进行表示。本文提出了一种连贯的方法来嵌入整个图，并展示了我们的特征表示与支持向量机（SVM）分类器相结合时，可以提高CNN算法和传统图核的分类准确性。为此，我们描述了一种最近发现的图对象——匿名游走（anonymous walk），并基于此设计了用于显式和分布式学习图表示的任务无关算法。总体而言，我们的工作代表了一种新的、可扩展的无监督学习方法，能够生成最先进的整图表示。