Wir stellen DeepWalk vor, einen neuen Ansatz zur Lernung latenter Darstellungen von Knotenpunkten in einem Netzwerk. Diese latenten Darstellungen kodieren soziale Beziehungen in einem kontinuierlichen Vektorraum, der leicht von statistischen Modellen genutzt werden kann. DeepWalk verallgemeinert jüngste Fortschritte im Bereich der Sprachmodellierung und des unüberwachten Merkmalslernens (oder Deep Learning) von Wortfolgen auf Graphen. DeepWalk nutzt lokale Informationen, die durch abgeschnittene zufällige Spaziergänge gewonnen werden, um latente Darstellungen zu lernen, indem es diese Spaziergänge als das Äquivalent zu Sätzen behandelt. Wir demonstrieren die latenten Darstellungen von DeepWalk an mehreren multilabel-Netzwerkklassifikationsaufgaben für soziale Netzwerke wie BlogCatalog, Flickr und YouTube. Unsere Ergebnisse zeigen, dass DeepWalk anspruchsvolle Baseline-Methoden übertrifft, die eine globale Sicht des Netzwerks haben, insbesondere bei fehlenden Informationen. Die Darstellungen von DeepWalk können $F_1$F1​-Werte bis zu 10% höher liefern als konkurrierende Methoden bei dünn besetzten annotierten Daten. In einigen Experimenten sind die Darstellungen von DeepWalk in der Lage, alle Baseline-Methoden mit 60% weniger Trainingsdaten zu übertreffen. Zudem ist DeepWalk skalierbar. Es handelt sich um einen Online-Lernalgorithmus, der nützliche inkrementelle Ergebnisse erzeugt und sich trivial parallelisieren lässt. Diese Eigenschaften machen es für eine breite Klasse praktischer Anwendungen wie Netzwerkklassifikation und Anomalieerkennung geeignet.