Strukturelle Identität ist ein Symmetriekonzept, bei dem Netzwerkknoten nach der Netzwerkstruktur und ihrem Verhältnis zu anderen Knoten identifiziert werden. Strukturelle Identität wurde in den letzten Jahrzehnten sowohl theoretisch als auch praktisch untersucht, jedoch erst kürzlich mit darstellungsbasierten Lernverfahren adressiert. Diese Arbeit stellt struc2vec vor, einen neuen und flexiblen Rahmen für das Lernen latenter Darstellungen zur strukturellen Identität von Knoten. Struc2vec verwendet eine Hierarchie, um die Ähnlichkeit von Knoten auf verschiedenen Skalen zu messen, und konstruiert einen mehrschichtigen Graphen, um strukturelle Ähnlichkeiten zu kodieren und strukturellen Kontext für die Knoten zu generieren. Numerische Experimente zeigen, dass moderne Techniken zum Lernen von Knotendarstellungen bei der Erfassung stärkerer Konzepte der strukturellen Identität versagen, während struc2vec in dieser Aufgabe deutlich überlegene Leistungen zeigt, da es die Einschränkungen früherer Ansätze überwindet. Folglich deuten numerische Experimente darauf hin, dass struc2vec die Leistung bei Klassifikationsaufgaben verbessert, die stärker von der strukturellen Identität abhängen.