Les plongements de réseaux sont devenus très populaires pour apprendre des représentations de caractéristiques efficaces des réseaux. Inspirés par les succès récents des plongements dans le traitement du langage naturel, les chercheurs ont tenté de trouver des plongements de réseaux afin d'exploiter les algorithmes d'apprentissage automatique pour des tâches d'exploration de données telles que la classification des nœuds et la prédiction des arêtes. Cependant, la plupart des travaux se concentrent sur la recherche de représentations distribuées des nœuds, qui ne sont pas adaptées aux tâches comme la détection de communautés, qui dépendent intuitivement des sous-graphes.Dans cet article, nous proposons sub2vec, un algorithme non supervisé et évolutif pour apprendre des représentations de caractéristiques de sous-graphes arbitraires. Nous fournissons des moyens pour caractériser les similarités entre les sous-graphes et présentons une analyse théorique de sub2vec, démontrant qu'il préserve ce qu'on appelle la proximité locale. Nous mettons également en évidence l'utilisabilité de sub2vec en l'utilisant pour des tâches d'exploration de réseaux, comme la détection de communautés. Nous montrons que sub2vec offre des gains significatifs par rapport aux méthodes les plus avancées et aux méthodes d'plongement de nœuds. En particulier, sub2vec propose une approche pour générer un vocabulaire plus riche de caractéristiques de sous-graphes afin de soutenir la représentation et le raisonnement.