节点嵌入已成为在低维空间中表示图数据的一种普遍技术。作为广泛采用的深度模型之一，图自编码器通过最小化图数据的重构误差，被提出用于以无监督方式学习图嵌入。然而，其重构损失忽略了潜在表示的分布，从而导致较差的嵌入效果。为了解决这一问题，我们提出了一种基于随机游走的方法来正则化编码器所学习到的表示。实验结果表明，所提出的创新性增强方法在节点聚类任务上显著优于现有的最先进模型（最多提高7.5%），并在三个标准数据集Cora、Citeseer和PubMed上的链接预测任务中达到了最先进水平。代码已发布在 https://github.com/MysteryVaibhav/DW-GAE。