بعد أن أثبتت فعاليتها الكبيرة في العديد من التطبيقات، أصبحت التضمين الشبكي (Network Embedding) دورًا محوريًا في تحليل الشبكات. تُعدّ معظم الدراسات الحديثة تجسيد الشبكة عن طريق تقليل الاحتمال المشترك لحدوث تواجد الوجهة مع عقدها المجاورة. ومع ذلك، قد تفشل هذه الطرق في التقاط المعلوماتية الشخصية لكل رأس. في هذا العمل، نقترح طريقة تُسمى "التضمين الشبكي المحفوظ للاتصال الشخصي" (Personalized Proximity Preserved Network Embedding - PPPNE)، التي تتكيف لالتقاط الخصائص الشخصية للعقد بناءً على دالة الخسارة المرتبطة بالتصنيف الشخصي. تُظهر التحليلات النظرية أن PPPNE تعمّم الطرق السابقة القائمة على تحليل المصفوفات أو الشبكات العصبية ذات الطبقة الواحدة، ونُبرز أن الحفاظ على الاتصال الشخصي هو المفتاح لاستخلاص تمثيلات أكثر إفادة. علاوةً على ذلك، لتحسين التقاط البنية الشبكية على مقياسين متعددين، نستفيد من ترتيب المسافات لكل رأس. يمكن تحسين طريقة PPPNE بكفاءة باستخدام استراتيجية عينة مبنية على الرأس كمُسنَد. تُظهر نتائج تجارب واسعة النطاق على خمس شبكات حقيقية أن منهجنا يتفوق على أحدث الطرق في التضمين الشبكي، مع تحسن ملحوظ في مهام شائعة مثل توقع الروابط وتصنيف الرؤوس. بالإضافة إلى ذلك، تتميز PPPNE بالكفاءة، ويمكن تسريعها بسهولة عبر الحوسبة المتوازية، مما يمكّنها من العمل على شبكات ضخمة بفعالية.