Knoten-Embeddings sind zu einer weit verbreiteten Technik geworden, um Graphendaten in einem niedrigdimensionalen Raum darzustellen. Graph-Autoencoder, eines der häufig verwendeten tiefen Modelle, wurden vorgeschlagen, um durch die Minimierung des Rekonstruktionsfehlers für die Graphendaten auf unsupervisierte Weise Graph-Embeddings zu lernen. Allerdings ignoriert ihr Rekonstruktionsverlust die Verteilung der latenten Darstellung und führt somit zu minderwertigen Embeddings. Um dieses Problem zu mildern, schlagen wir eine auf Random Walks basierende Methode vor, um die durch den Encoder gelernten Darstellungen zu regularisieren. Wir zeigen, dass das vorgeschlagene neuartige Verfahren bei der Knotenclustering-Aufgabe bestehende state-of-the-art-Modelle um einen großen Margin (bis zu 7,5 %) übertrifft und state-of-the-art-Genauigkeit bei der Link-Vorhersage-Aufgabe für drei Standarddatensätze erreicht: Cora, CiteSeer und PubMed. Der Quellcode ist unter https://github.com/MysteryVaibhav/DW-GAE verfügbar.