L'apprentissage de représentation de réseau (NRL) est largement utilisé pour aider à l'analyse des grands réseaux en les mappant dans un espace vectoriel de faible dimension. Cependant, les méthodes NRL existantes ignorent l'impact des propriétés des relations sur la pertinence des objets dans les réseaux d'information hétérogènes (HINs). Pour résoudre ce problème, cet article propose un nouveau cadre NRL appelé Event2vec, destiné aux HINs et prenant en compte à la fois les quantités et les propriétés des relations lors du processus d'apprentissage de représentation. Plus précisément, un événement (c'est-à-dire une unité sémantique complète) est utilisé pour représenter la relation entre plusieurs objets, et des proximités du premier ordre et du second ordre basées sur les événements sont définies pour mesurer la pertinence des objets selon les quantités et les propriétés des relations. Nous démontrons théoriquement comment Event2vec peut préserver les proximités basées sur les événements dans l'espace d'embedding en utilisant des embeddings d'événements pour faciliter l'apprentissage des embeddings d'objets. Les études expérimentales montrent les avantages d'Event2vec par rapport aux algorithmes de pointe sur quatre jeux de données réels et trois tâches d'analyse de réseau (y compris la reconstruction de réseau, la prédiction de liens et la classification de nœuds).