El aprendizaje de incrustaciones de grafos es la base del análisis de redes de información complejas, con el objetivo de representar nodos en una red de grafos como vectores reales densos de baja dimensión para su aplicación en tareas de análisis práctico. En los últimos años, el estudio del aprendizaje de representación de redes de grafos ha recibido una atención creciente por parte de los investigadores, y, entre ellos, las redes neuronales de grafos (GNNs) basadas en aprendizaje profundo están desempeñando un papel cada vez más importante en este campo. Sin embargo, el hecho de que la información de vecindario de orden superior no se pueda utilizar de manera efectiva es un problema de la mayoría de las redes neuronales de grafos existentes. Además, tiende a ignorar la influencia de la representación latente y las propiedades estructurales en la incrustación de grafos. Con la esperanza de resolver estos problemas, introducimos la codificación de centralidad para aprender las propiedades de los nodos, añadimos una consideración de mecanismo de atención para distinguir mejor la importancia de los nodos vecinos e introducimos una regularización de caminata aleatoria para hacer que las muestras de vecinos cumplan consistentemente criterios predeterminados. Esto nos permite aprender una representación de un nodo potencial. Probamos el rendimiento de nuestro modelo en tareas de agrupación de nodos y predicción de enlaces utilizando tres conjuntos de datos de referencia ampliamente reconocidos. Los resultados de nuestros experimentos demuestran que nuestro modelo supera significativamente al método de referencia en ambas tareas, lo que indica que la incrustación de grafos que genera es altamente expresiva.