Les informations topologiques sont essentielles pour étudier les relations entre les nœuds dans un réseau. Récemment, l'apprentissage de représentations de réseaux (NRL), qui projette un réseau dans un espace vectoriel de faible dimension, a montré ses avantages dans l'analyse des grands réseaux. Cependant, la plupart des méthodes NRL existantes sont conçues pour préserver la topologie locale d'un réseau et échouent à capturer la topologie globale. Pour résoudre ce problème, nous proposons un nouveau cadre NRL nommé HSRL, visant à aider les méthodes NRL existantes à capturer à la fois les informations topologiques locales et globales d'un réseau. Plus précisément, HSRL compresse récursivement un réseau d'entrée en une série de réseaux plus petits en utilisant une stratégie de compression basée sur la prise en compte des communautés. Ensuite, une méthode NRL existante est utilisée pour apprendre les plongements de nœuds pour chaque réseau compressé. Enfin, les plongements de nœuds du réseau d'entrée sont obtenus en concaténant les plongements de nœuds provenant de tous les réseaux compressés. Des études empiriques sur la prédiction de liens réalisées sur cinq jeux de données du monde réel démontrent les avantages d'HSRL par rapport aux méthodes de pointe actuelles.