Nous présentons une nouvelle approche de l'apprentissage des représentations au niveau du graphe, qui consiste à plonger un graphe entier dans un espace vectoriel où les plongements de deux graphes préservent leur proximité graphe-graphe. Notre méthode, UGRAPHEMB, est un cadre général qui offre un moyen innovant d'effectuer des plongements au niveau du graphe de manière totalement non supervisée et inductive. Le réseau neuronal appris peut être considéré comme une fonction qui reçoit en entrée tout graphe, qu'il soit présent ou non dans l'ensemble d'entraînement, et le transforme en plongement. Nous proposons un nouveau mécanisme de génération de plongements au niveau du graphe appelé Attention Multirelative des Nœuds (Multi-Scale Node Attention [MSNA]). Les expériences menées sur cinq jeux de données réels de graphes montrent que UGRAPHEMB atteint une précision compétitive dans les tâches de classification de graphes, classement de similarité et visualisation de graphes.