تتطلب مهام التنبؤ على العقد والحواف في الشبكات جهداً دقيقاً في تصميم الخصائص المستخدمة من قبل خوارزميات التعلم. أدت الأبحاث الحديثة في مجال التعلم التمثيلي الأوسع إلى تقدم كبير في تلقائيّة التنبؤ من خلال تعلم الخصائص نفسها. ومع ذلك، فإن نهج تعلم الخصائص الحالي ليس كافياً للتعبير عن تنوع أنماط الاتصال الملاحظة في الشبكات. هنا، نقترح node2vec (نود تو فيك)، وهو إطار خوارزمي لتعلم تمثيلات خصائص مستمرة للعقد في الشبكات. في node2vec (نود تو فيك)، نتعلم رسم خريطة للعقد إلى فضاء منخفض البعد من الخصائص الذي يزيد احتمالية الحفاظ على جوار الشبكة للعقد. نحدد مفهوماً مرناً لجوار الشبكة للعقد ونصمم إجراء مشي عشوائي متحيز، والذي يستكشف بفعالية أحياء مختلفة. يعمم خوارزميتنا الأعمال السابقة التي تعتمد على مفاهيم صارمة لجوار الشبكة، ونعتقد أن المرونة الإضافية في استكشاف الأحياء هي المفتاح لتعلم تمثيلات أكثر غنى. نظهر فعالية node2vec (نود تو فيك) مقابل التقنيات الرائدة الحالية في تصنيف متعدد العلامات وتنبوء الروابط في عدة شبكات حقيقية من مجالات متنوعة. مجتمعة، تمثل أعمالنا طريقة جديدة لتعلم تمثيلات مستقلة عن المهمة بفعالية وهي رائدة في الشبكات المعقدة.