El número de delitos de lavado de dinero para Ethereum y la cantidad involucrada han crecido exponencialmente en los últimos años. Sin embargo, los estudios previos relacionados con la detección de anomalías para Ethereum suelen considerar múltiples tipos de delitos financieros en su conjunto, ignorando las diferencias aparentes entre el lavado de dinero y otras actividades maliciosas y careciendo de una detección más granular dirigida al lavado de dinero. En este documento, proponemos por primera vez un algoritmo de incrustación de grafos mejorado específicamente para la detección de lavado de dinero llamado GTN2vec. Al minar registros de transacciones de Ethereum, el algoritmo considera de manera integral los patrones de comportamiento de los lavadores de dinero y la información estructural de las redes de transacciones, pudiendo extraer automáticamente características de las direcciones de lavado de dinero. Específicamente, fusionamos el precio del gas y la marca de tiempo de los registros de transacciones en un nuevo peso y establecemos parámetros de retorno y exploración apropiados para modular la tendencia de muestreo de caminata aleatoria para caracterizar los nodos de lavado de dinero. Construimos el conjunto de datos utilizando datos reales de Ethereum y evaluamos la efectividad de GTN2vec en el conjunto de datos mediante varios clasificadores como bosques aleatorios. Los resultados experimentales muestran que GTN2vec puede extraer con precisión y eficacia las características de las cuentas de lavado de dinero y superar significativamente a otros métodos avanzados de incrustación de grafos.