La técnica de incrustación de grafos de atributos no supervisada tiene como objetivo aprender incrustaciones de nodos de baja dimensión utilizando la topología del vecindario y la información de atributos en datos no etiquetados. Los modelos no supervisados actuales se basan principalmente en auto-codificadores de grafos, pero el entrenamiento por lotes completo limita la escalabilidad del modelo e ignora la integridad del atributo al reconstruir la topología. Para resolver los problemas anteriores considerando el aprendizaje no supervisado del modelo y haciendo un uso completo de la información de los nodos, este documento propone una arquitectura de red neuronal de grafos basada en un auto-codificador de grafos para capturar la no linealidad de los datos del grafo de atributos, y un algoritmo de incrustación de grafos de atributos que modela explícitamente la influencia de la información del vecindario utilizando un mecanismo de atención multinivel. Específicamente, el algoritmo propuesto fusiona la información de topología y atributos utilizando una estrategia de muestreo ligera, construye un auto-codificador de grafo imparcial en el grafo muestreado, implementa la agregación de topología y la agregación de atributos, respectivamente, modela la correlación entre la incrustación de topología y la incrustación de atributos, y considera términos de pérdida multinivel.