يُستخدم تعلم تمثيل الشبكات (NRL) على نطاق واسع لمساعدة في تحليل الشبكات الكبيرة من خلال تحويل الشبكات الأصلية إلى فضاء متجهي منخفض البعد. ومع ذلك، فإن طرق NRL الحالية تتجاهل تأثير خصائص العلاقات على صلة الأشياء في الشبكات المعلوماتية المتنوعة (HINs). لمعالجة هذه المشكلة، يقترح هذا البحث إطارًا جديدًا لـ NRL يُسمى Event2vec، مخصصًا للشبكات المعلوماتية المتنوعة لأخذ كميات وخصائص العلاقات بعين الاعتبار أثناء عملية التعلم التمثيلي. بشكل خاص، يتم استخدام حدث (أي وحدة معنوية كاملة) لتمثيل العلاقة بين عدة أشياء، ويُعرّف كلٌ من القرب الأولي والقرب الثانوي القائمين على الحدث لقياس صلة الأشياء بناءً على كميات وخصائص العلاقات. نثبت نظريًا كيف يمكن لـ Event2vec الحفاظ على القرب القائم على الحدث في الفضاء المدمج من خلال الاستفادة من تمثيلات الحدث لتيسير تعلم تمثيلات الأشياء. تظهر الدراسات التجريبية المزايا التي يتمتع بها Event2vec مقارنة بالخوارزميات الرائدة في مجالها على أربع قواعد بيانات حقيقية وعلى ثلاث مهام لتحليل الشبكة (تشمل إعادة بناء الشبكة، وتوقع الروابط، تصنيف العقد).