无监督的图形级别表示学习在各种任务中起着至关重要的作用，例如分子特性预测和社区分析，特别是当数据注释昂贵时。目前，大多数最佳性能的图形嵌入方法都基于InfoMax原理。如果样品未仔细选择样品，这些方法的性能高度取决于阴性样本的选择并损害性能。如果相似性匹配的所选图表组的质量低，则基于间的基于相似性的方法也受到影响。要解决此问题，我们仅关注利用当前输入图进行嵌入学习。我们通过真实世界的图形生成过程的观察，其中基于图形的所有元件共同形成的图形（例如，讨论螺纹的题目，分子的溶解度水平）是共同的一个或多个全局因素。我们假设提取这些常见因素可能是非常有益的。因此，这项工作提出了一个新的无监督图表表示学习的新原则：图表明智的共同潜在因子提取（GCFX）。我们进一步提出了一个深入的GCFX，DeepGCFX模型，基于逆转上述图形生成过程的想法，该过程可以明确地从输入图中提取共同的潜在因子并实现对当前状态的下游任务的改进结果-艺术。通过广泛的实验和分析，我们证明，在提取共同的潜在因素的同时有利于图形级任务来缓解由各个节点或本地社区的局部变体引起的分心，而是通过启用远程节点依赖性来利用节点级任务，特别是对于抗衡图。