La tâche de représenter des graphes entiers a connu une série de résultats remarquables, principalement grâce à l'apprentissage de réseaux neuronaux convolutifs (CNNs) sur des données structurées en graphes. Bien que les CNNs démontrent des performances de pointe dans la tâche de classification de graphes, ces méthodes sont supervisées et s'éloignent donc du problème initial consistant à représenter les réseaux d'une manière indépendante des tâches. Nous proposons ici de manière cohérente une approche pour l'embedding de graphes entiers et montrons que nos représentations de caractéristiques, utilisées avec un classifieur SVM, améliorent la précision de classification des algorithmes CNN ainsi que des noyaux de graphes traditionnels. Pour ce faire, nous décrivons un objet graphe récemment découvert, la marche anonyme (anonymous walk), sur lequel nous concevons des algorithmes indépendants des tâches pour apprendre des représentations de graphes de manière explicite et distribuée. Dans l'ensemble, notre travail représente une nouvelle approche d'apprentissage non supervisé et évolutif pour obtenir des représentations d'état de l'art de graphes entiers.