Les travaux récents sur l'apprentissage de représentations pour des données structurées en graphe se concentrent principalement sur l'apprentissage de représentations distribuées de sous-structures de graphe telles que des nœuds et des sous-graphes. Cependant, de nombreuses tâches d'analyse de graphe, comme la classification et le clustering de graphe, nécessitent de représenter les graphes entiers sous forme de vecteurs de caractéristiques de longueur fixe. Bien que les approches mentionnées précédemment ne soient pas naturellement équipées pour apprendre ces représentations, les noyaux de graphe restent la méthode la plus efficace pour les obtenir. Néanmoins, ces noyaux de graphe utilisent des caractéristiques conçues manuellement (par exemple, les plus courts chemins, les graphlets, etc.) et sont donc limités par des problèmes tels qu'une mauvaise généralisation. Pour remédier à cette limitation, nous proposons dans ce travail un cadre d'embedding neuronal nommé graph2vec pour apprendre des représentations distribuées basées sur les données de graphes de taille arbitraire. Les embeddings de graph2vec sont appris de manière non supervisée et sont indépendants des tâches. Par conséquent, ils peuvent être utilisés pour toute tâche en aval, comme la classification et le clustering de graphe, ainsi que pour initialiser des approches d'apprentissage supervisé basées sur des représentations. Nos expériences sur plusieurs jeux de données benchmarks et réels à grande échelle montrent que graph2vec réalise des améliorations significatives en termes d'exactitude dans la classification et le clustering par rapport aux approches d'apprentissage basées sur les sous-structures, et est compétitif avec les noyaux de graphe les plus avancés actuellement disponibles.