基于嵌入方法的图形表示可以更轻松地分析网络结构，可用于各种任务，例如链接预测和节点分类。这些方法已被证明在各种环境中都是有效的，并且已成为图形学习领域的重要工具。这些方法易于实施，它们的预测会产生可解释的结果。但是，大多数图形嵌入方法仅依赖于图形结构信息，并且不考虑节点/边缘属性，从而限制其适用性。在本文中，我们提出了图理论设计，以将节点和边缘属性纳入拓扑结合，从而使图形装饰方法无缝地在属性图上无缝工作。为了找到给定属性图的理想表示形式，我们提出了原始网络中的增强特殊子图结构。我们讨论了所提出的方法的潜在挑战，并证明了其一些理论局限性。我们通过比较15个标准生物信息学数据集上的最先进的图形分类模型来测试方法的功效。与原始图上的结果相比，在增强图上，在增强图上的分类精度最高可提高高达5％的分类精度。©2023 Elsevier B.V.保留所有权利。