图（Graph,又称网络）作为一种重要的数据表示形式,广泛存在于真实场景中,可以看作是实现人或者事物之间联系的虚拟化,如:利用社交工具形成的社交网络,用户选择商品形成的电子商务网络,以及文章之间的相互引用形成的引文网络,生物蛋白质分子交互作用形成的蛋白质交互网络等。采用有效的技术对这些网络进行分析,有助于挖掘和理解隐藏在图数据背后的信息。因此,对图数据的研究已经成为近些年的热点话题,这些研究采用的技术可以称为图嵌入技术。图嵌入（Graph Embedding,又称图表示学习）是分析图数据的一种非常有效的方法。它将图数据映射到低维空间,最大限度地保留了图的结构和属性信息。图嵌入技术性能各异,流派众多,检验图嵌入技术的性能的工作可称为图分析任务。目前广泛使用的图分析任务有:节点分类,链路预测,链路重构,聚类,可视化等。我们将视角聚焦于节点分类的图分析任务,以节点分类做任务驱动的图嵌入方法可以分为三类:基于矩阵分解的图嵌入方法,基于随机游走的图嵌入方法和基于深度学习的图嵌入方法。本文提出了一种基于意见演化的神经网络图嵌入方法,称为图意见演化网络（GODNs）,属于深度学习的图嵌入流派。它是一种采用新的信息聚合策略,处理结构化图数据的神经网络体系结构。引入独立的自注意力机制和置信邻居收敛,解决了以往神经网络图嵌入方法的不足。通过多轮不同权重的置信邻居聚合更新节点嵌入,并设置规则让信息聚合达到收敛状态,同时收敛状态有着严格的证明。对于直推式半监督学习问题,我们将数据集分为稀疏网络和密集网络。我们使用节点分类的图分析任务评判模型的效果,我们的GODNs模型在稀疏网络（Cora、Citeseer和Pubmed引文网络数据集）上取得的效果位列前茅,在密集网络（amazon-photo、amazon-computer和coauthor-cs电子商务数据集）上取得的效果首屈一指。与此同时,现存的主流图嵌入的节点分类实验主要是针对无向并且有属性的网络,而现实生活中的网络大多都是有向,无属性的。通过对无向网络进行的节点分类图嵌入实验,我们发现节点属性可以大大提升图嵌入效果。我们将视角聚焦于现存最广的有向无属性网络,现存的一些模型是不能处理有向图或者忽略方向信息的。我们利用网络中的高阶结构信息,结合节点的出度入度构造节点的初始动力学属性矩阵,结合我们提出的意见演化图嵌入模型进行有向图的信息聚合,完成有向网络的图嵌入,最后的实验结果表明,我们提出的融合网络高阶结构信息的节点初始属性构造方法可以有效提升有向图的嵌入效果。