Netzwerkrepräsentationslernen (NRL) wird häufig verwendet, um große Netzwerke durch Abbildung der ursprünglichen Netzwerke in einen niedrigdimensionalen Vektorraum zu analysieren. Bestehende NRL-Methoden ignorieren jedoch den Einfluss der Eigenschaften von Beziehungen auf die Relevanz von Objekten in heterogenen Informationsnetzwerken (HINs). Um dieses Problem anzugehen, schlägt dieser Artikel ein neues NRL-Framework vor, das Event2vec genannt wird. Event2vec berücksichtigt sowohl die Quantität als auch die Eigenschaften von Beziehungen während des Lernprozesses für HINs. Insbesondere wird ein Ereignis (d.h., eine vollständige semantische Einheit) verwendet, um die Beziehung zwischen mehreren Objekten darzustellen. Dabei werden ereignisgesteuerte erste und zweite Ordnungs-Nähe definiert, um die Objekt-Relevanz anhand der Quantität und Eigenschaften der Beziehungen zu messen. Theoretisch wird bewiesen, wie ereignisgesteuerte Nähe durch Event2vec im Einbettungsraum erhalten bleiben kann, wobei Ereignis-Einbettungen das Lernen der Objekt-Einbettungen fördern. Experimentelle Studien zeigen die Vorteile von Event2vec gegenüber den neuesten Algorithmen anhand vier realer Datensätze und dreier Netzwerkanalysetaufgaben (einschließlich Netzwerkrekonstruktion, Link-Vorhersage und Knotenklassifizierung).