Wir untersuchen zwei grundlegende Aufgaben im Zusammenhang mit der Graphrepräsentationslernen: Link-Vorhersage und Knotenklassifizierung. Wir stellen eine neue Autoencoder-Architektur vor, die in der Lage ist, eine gemeinsame Repräsentation der lokalen Graphstruktur und verfügbaren Knoteneigenschaften für das gleichzeitige mehrfache Lernen von unüberwachter Link-Vorhersage und semi-überwachter Knotenklassifizierung zu erlernen. Unser einfaches, aber effektives und vielseitiges Modell wird effizient in einer einzigen Phase von Anfang bis Ende trainiert, während frühere verwandte Methoden des tiefen Graph-Embeddings mehrere Trainingsstufen erfordern, die schwierig zu optimieren sind. Wir führen eine empirische Bewertung unseres Modells auf fünf Benchmark-Datensätzen mit relationaler, graph-strukturierter Daten durch und zeigen signifikante Verbesserungen gegenüber drei starken Baselines für das Lernen von Graphrepräsentationen. Referenzcode und -daten sind unter https://github.com/vuptran/graph-representation-learning verfügbar.