图嵌入方法能够将高维且复杂的图结构内容转化为低维表示，广泛应用于链接预测、节点分类、推荐系统以及可视化等图分析任务。现有的大多数方法将图节点表示为低维嵌入空间中的点向量，忽略了现实世界图数据中普遍存在的不确定性。此外，许多现实世界的图具有大规模和丰富的节点属性特征。为此，本文提出了一种新颖且可扩展的图嵌入方法——GLACE，该方法能够以端到端的方式高效且有效地同时保留图的结构信息与节点属性。GLACE通过高斯嵌入（Gaussian embeddings）有效建模不确定性，并支持基于节点属性的归纳推理（inductive inference），从而实现对新节点的泛化能力。在一系列真实世界图数据上的综合实验表明，GLACE在多项图分析任务中显著优于现有的最先进嵌入方法。