图嵌入的目的是将节点结构和属性信息表示到低维向量空间中，以便使用简单的机器学习算法轻松执行一些下游应用任务，如节点分类、链接预测、社区检测和推荐。图卷积网络是一种用于图的机器学习的神经网络框架。由于其强大的图形数据建模能力，它是目前图形嵌入的最佳选择。然而，现有的大多数基于图卷积网络的嵌入算法不仅忽略了潜在码的数据分布，而且失去了图中节点间的高阶邻近性，导致嵌入效果较差。为了缓解这个问题，我们研究了如何强制执行潜在代码来匹配先验分布，并引入随机游动来保持图中的高阶邻近性。在本文中，我们提出了一种新的图嵌入框架，对抗和随机游走正则化图嵌入（ARWR-GE），它联合保留结构和属性信息。ARWR-GE采用对抗性训练方案来强制执行潜在代码以匹配先验分布，并且通过采用skip-gram模型，随机游走序列中的节点在潜在空间中更接近。我们通过使用链接预测、图聚类和可视化任务的三个真实数据集来评估我们提出的框架。结果表明，我们的框架比现有的图嵌入算法具有更好的性能。