最近のグラフ構造データに対する表現学習に関する研究は、主にノードやサブグラフなどのグラフ部分構造の分散表現を学習することに焦点を当てています。しかし、グラフ分類やクラスタリングなどの多くのグラファンalyticsタスクでは、全体のグラフを固定長の特徴ベクトルとして表現する必要があります。前述のアプローチはそのような表現を学習するための自然な手段を持っていませんが、グラフカーネルはそれらを得る最も効果的な方法として残っています。しかしながら、これらのグラフカーネルは手作業で設計された特徴（例えば、最短経路、グラフラレットなど）を使用しているため、汎化性能が低いなどの問題に直面しています。この制限に対処するために、本研究では任意のサイズのグラフのデータ駆動型分散表現を学習するニューラル埋め込みフレームワークであるgraph2vecを提案します。graph2vecの埋め込みは非監督的な方法で学習され、特定のタスクに依存しないため、グラフ分類やクラスタリングだけでなく、監督付き表現学習手法への初期値設定にも使用することができます。我々が複数のベンチマークデータセットおよび大規模実世界データセットに対して行った実験結果から、graph2vecは部分構造表現学習手法よりも分類精度とクラスタリング精度において大幅な改善を達成しており、最先端のグラフカーネルと競争力があることが示されました。