L'identité structurelle est un concept de symétrie dans lequel les nœuds d'un réseau sont identifiés en fonction de la structure du réseau et de leur relation avec les autres nœuds. Bien que l'identité structurelle ait été étudiée tant théoriquement que pratiquement au cours des dernières décennies, elle n'a été abordée récemment qu'à travers des techniques d'apprentissage par représentation. Ce travail présente struc2vec, un cadre novateur et flexible pour apprendre des représentations latentes de l'identité structurelle des nœuds. Struc2vec utilise une hiérarchie pour mesurer la similarité des nœuds à différentes échelles et construit un graphe multicouche pour encoder les similarités structurelles et générer un contexte structurel pour les nœuds. Les expériences numériques montrent que les techniques de pointe pour l'apprentissage des représentations de nœuds échouent à capturer des notions plus fortes d'identité structurelle, tandis que struc2vec exhibe une performance beaucoup supérieure dans cette tâche, en surmontant les limites des approches antérieures. Par conséquent, les expériences numériques indiquent que struc2vec améliore la performance sur les tâches de classification qui dépendent davantage de l'identité structurelle.