随着技术发展,每天的生产生活中都会产生大量的数据并被记录于存储设备中。而这些数据中,大部分数据都是以图的形式存在的。相比于一般的欧式空间数据,图的数据更为稀疏和复杂,直接进行处理效率较低。因此,如何通过合理的设计,对图进行高效的表征,从而完成各种各样的任务,成为了研究者们的关注重点。本文首先对现有的图表征方法所用到的技术手段进行了归纳和总结。针对图嵌入的三种主流方法,即矩阵分解、随机游走和机器学习,本文指出了各种算法的优缺点。根据不同算法的特点,本文将不同的图信号处理技术引入了图嵌入任务当中,分别是采用Z-laplacian作为衡量时域偏差的手段,以及利用图小波作为空域采样的手段。通过将原有的图转移到谱域上进行研究,图信号处理可以发现一部分无法从图中直接获得的信息。因此,对于图的研究可以采用图信号处理的相关理论,挖掘谱域上的关系,从而为图嵌入提供更完整的信息。基于图信号处理理论,本文对图嵌入中的方法进行了改进,从而产生了三种新的算法。其中Z-Net MF将描述图上动态过程的Z-laplacian框架与矩阵分解和随机游走相结合,而Node MF则采用了Node2vec的思想重新设计了图移算子,从而产生了两种基于带偏随机游走的矩阵分解算法。两种算法分别代表了时域偏差和图域偏差,体现了不同的特点。对于Wave Sage,本文是利用了图小波描述图结构信息的能力,将其作为一种邻居节点采样方式,与Graph Sage相结合。本文在不同的数据集和任务上证明了三种算法的效果,实验结果证明了本文的方法具有良好的效果,并且具有与原算法不同的性质。最后,本文对相关理论进行了总结,指出了现有问题和未来潜在的发展方向。