نقدم تقنية DeepWalk، وهي نهج جديد لتعلم التمثيلات الكامنة للرؤوس في شبكة. ترميز هذه التمثيلات الكامنة العلاقات الاجتماعية في فضاء متجهي مستمر، مما يمكن استغلاله بسهولة بواسطة النماذج الإحصائية. تعمم تقنية DeepWalk التطورات الحديثة في نمذجة اللغة والتعلم غير المشرف للخصائص (أو التعلم العميق) من سلاسل الكلمات إلى الرسوم البيانية. تستفيد DeepWalk من المعلومات المحلية المستخرجة من المشي العشوائي المبتور لتعلم التمثيلات الكامنة عن طريق معاملة المشيات كنظير للجمل. نوضح تمثيلات DeepWalk الكامنة على عدة مهام تصنيف شبكي متعدد العلامات لشبكات اجتماعية مثل BlogCatalog وFlickr وYouTube. تظهر نتائجنا أن DeepWalk تتفوق على القواعد الأساسية الصعبة التي يُسمح لها برؤية عالمية للشبكة، خاصة في وجود معلومات ناقصة. يمكن أن توفر تمثيلات DeepWalk درجات $F_1$F1​ أعلى بنسبة تصل إلى 10% من الطرق المنافسة عند ندرة البيانات المصنفة. وفي بعض التجارب، كانت تمثيلات DeepWalk قادرة على التفوق على جميع الطرق الأساسية باستخدام 60% أقل من بيانات التدريب. كما أن تقنية DeepWalk قابلة للتوسع. فهي خوارزمية تعلم عبر الإنترنت تقوم بإنشاء نتائج تراكمية مفيدة، ويمكن تنفيذها بالتوازي بشكل بسيط. هذه الجودة تجعلها مناسبة لمجموعة واسعة من التطبيقات الحقيقية مثل تصنيف الشبكات وكشف الأخطاء الشاذة.