日常中处处可见图与网络。而图卷积神经网络（GCNs）,作为图神经网络的代表模型,在处理图领域相关的任务,比如节点分类问题,链路预测问题,图识别问题等等,表现出了非常优异的性能。其中,由于利用图嵌入得到的图的向量形式表达往往都是使用深度学习模型的首要步骤,这使得图嵌入的问题成为图学习领域的一个关键问题。而图神经网络模型正是解决图嵌入问题的首选模型。同时随着互联网的进步,社交网络的不断兴起,符号网络最近也越来越受到人们的关注。然而,符号网络中的两种对立的连边关系,正连边和负连边,使得大部分针对一般网络所设计的研究方法均失效,特别是未作特殊改变的图神经网络模型。在本文中,我们将从符号网络中的三类连边关系,正连边、负连边和未连边出发,解决一般图神经网络模型无法运用在符号网络上的问题。结合符号网络的平衡理论,我们分析了符号网络上边的符号与嵌入之间的关系,指出符号网络中边的符号实际上是由其不同的嵌入位置所决定的。借助这些分析我们提出了一个适合符号网络嵌入问题的最优化目标。同时由于大部分深度学习模型都在符号网络上失效,我们针对符号网络设计了全新的图神经网络整合操作,并且基于这些操作提出了一个全新的针对符号网络所设计的图神经网络模型,称之为符号图神经网络（SGNN）以解决符号网络的嵌入问题。通过四个现实符号网络数据的实验研究,我们证明了我们的模型相较于以往的符号网络嵌入模型在连边符号预测问题上表现更为优异。