Una de las tareas de análisis de datos de gráficos más significativas es la clasificación de gráficos, ya que los gráficos son estructuras de datos complejas utilizadas para ilustrar las relaciones entre pares de entidades. Los gráficos son esenciales en muchos dominios, como la descripción de moléculas químicas, redes biológicas, relaciones sociales, etc. Los gráficos del mundo real son complicados y grandes. Como resultado, es necesario encontrar una forma de representar o codificar la estructura de un gráfico para que pueda ser fácilmente utilizada por modelos de aprendizaje automático. Por lo tanto, la incrustación de gráficos se considera una de las soluciones más poderosas para la representación de gráficos. Inspirado en el modelo Doc2Vec en el Procesamiento del Lenguaje Natural (NLP), este documento investiga primero diferentes formas de incrustación de (sub)gráficos para representar cada gráfico o subgráfico como un vector de características de longitud fija, que luego se utiliza como entrada para cualquier clasificador. Así, se proponen dos clasificadores supervisados: una red neuronal profunda (DNN) y una red neuronal convolucional (CNN) para mejorar la clasificación de gráficos. Los resultados experimentales en cinco conjuntos de datos de referencia indican que los modelos propuestos obtienen resultados competitivos y son superiores a algunos métodos de clasificación tradicionales y enfoques basados en aprendizaje profundo en tres de los cinco conjuntos de datos de referencia, con una tasa de precisión impresionante del 94% en el conjunto de datos NCI1.