In dieser Arbeit stellen wir eine neuartige Graph-Embedding-Technik namens NERO (Network Embedding based on Relation Order histograms) vor. Ihre Leistungsfähigkeit wird anhand mehrerer bekannter Klassifikationsprobleme sowie einer neu eingeführten Benchmark zur Analyse detaillierter Lamellen-Venationsnetzwerke evaluiert. Der vorgeschlagene Algorithmus erzielt Ergebnisse, die jene anderer Kernel-basierter Methoden übertreffen und mit vielen state-of-the-art GNNs vergleichbar sind, wobei er weder eine GPU-Unterstützung erfordert noch die Verarbeitung relativ großer Eingabedaten beeinträchtigt. Zudem wird gezeigt, dass die generierten Repräsentationen problemlos mit bestehenden Modellinterpretationsmethoden kombiniert werden können, um einen Überblick über die Einflussfaktoren einzelner Kanten und Knoten auf den untersuchten Prozess zu liefern.