Dieses Papier untersucht das Problem des Einbettens sehr großer Informationsnetzwerke in niedrigdimensionale Vektorräume, was für viele Aufgaben wie Visualisierung, Knotenklassifizierung und Link-Vorhersage nützlich ist. Die meisten existierenden Grapheneinbettungsmethoden sind nicht skalierbar für reale Informationsnetzwerke, die in der Regel Millionen von Knoten enthalten. In dieser Arbeit schlagen wir eine neue Netzwerkeinbettungsmethode vor, die als „LINE“ bezeichnet wird und für beliebige Arten von Informationsnetzwerken geeignet ist: ungerichtete, gerichtete und/oder gewichtete Netzwerke. Die Methode optimiert eine sorgfältig gestaltete Zielfunktion, die sowohl die lokale als auch die globale Netzwerkstruktur erhält. Es wird ein Kantensampling-Algorithmus vorgeschlagen, der die Einschränkungen des klassischen stochastischen Gradientenabstiegs überwindet und sowohl die Effektivität als auch die Effizienz der Inferenz verbessert. Empirische Experimente beweisen die Effektivität der LINE auf einer Vielzahl von realen Informationsnetzwerken, einschließlich Sprachnetzwerken, sozialen Netzwerken und Zitatenetzwerken. Der Algorithmus ist sehr effizient und kann das Einbetten eines Netzwerks mit Millionen von Knoten und Milliarden von Kanten innerhalb weniger Stunden auf einem typischen Einzelrechner durchführen. Der Quellcode der LINE ist online verfügbar.