我们研究了图表示学习中的两个基本任务：链接预测和节点分类。本文提出了一种新的自编码器架构，该架构能够学习局部图结构和可用节点特征的联合表示，以实现无监督链接预测和半监督节点分类的多任务同时学习。我们的模型虽然简单，但效果显著且具有广泛的适用性，并且能够在单个阶段高效地进行端到端训练，而以往相关的深度图嵌入方法则需要多个难以优化的训练步骤。我们在五个基准关系图数据集上对模型进行了实证评估，并展示了相对于三种强大的图表示学习基线方法的显著改进。参考代码和数据可在 https://github.com/vuptran/graph-representation-learning 获取。