维基百科现在是全世界最流行的多语种在线百科全书之一。维基百科中的文章近些年来迅速增长,每天都会有志愿者提交新的请求（创建新的词条文章,修改现有文章的正文或分类信息,合并相似文章以及删除错误文章）。通过提取文章中的链接信息可以构建一个维基百科文章的图,该图中节点代表文章,有向边代表至少存在一个超链接从源文章到目标文章。利用该图可以进行图嵌入（Graph Embedding）的研究来得到各个文章节点的向量,进而利用该向量来做节点分类（Node Classification）和链接预测（Link Prediction）。预测与分类结果可以给编辑人员提供极大的参考价值,大大降低编辑人员的修改负担,另外也可以提示可能存在的缺失链接,应该删除的错误链接以及需要补充或修改的分类信息。传统图嵌入方法仅考虑静态图嵌入或者动态图嵌入,并且没有考虑到节点的语义信息。针对这些问题,本文提出了一种基于有偏随机游走并且同时适用于静态图与动态图的图嵌入方法。首先,利用预训练的Ro BERTa模型计算文章间的相似度,以及利用单词粒度的公共分类信息计算文章类别间的相似度。其次,定义有偏随机游走中有偏的计算方式,从而得到该点到所有可能的邻居的概率,进而使用softmax函数进行归一化。然后从所有邻居节点中按照其概率的大小随机选择一个邻居作为下一步游走的节点,同时根据下一个节点的标题构造标题序列。最后利用生成的所有标题序列对Ro BERTa模型进行进一步预训练（Further Pre-training）,之后拼接文章的标题和摘要作为文章的内容,利用之前训练好的Ro BERTa模型得到文章的嵌入向量。我们把数据集划分为静态图和动态图。图中每个节点代表一篇维基百科文章,每个文章拥有三个属性:文章标题、文章摘要以及文章分类,图中两点之间是否存在链接取决于维基百科页面镜像中是否存在到另一篇文章的链接。其中,一个静态图由7个主题下的所有文章组成,文章内容来自于2021年2月1日的镜像文件。两个动态图由同一主题下的所有文章从2020年1月1日到2020年7月20日（一共13个时间戳）的所有镜像构成。针对静态图我们设计了节点分类和缺失链接预测实验,其中节点分类中我们同时尝试了使用逻辑回归和随机森林分类器来评估嵌入向量的效果。针对动态图我们设计了图重构和新节点链接预测实验,其中图重构中我们同时尝试了使用逻辑回归和自定义的全连接神经网络作为分类器来评估嵌入向量的效果。实验结果表明,我们提出的维基百科文章嵌入方式更加合理,能更好的表现文章的属性。