L'apprentissage à partir de réseaux complexes de la vie réelle est un domaine de recherche dynamique, avec des progrès récents dans l'apprentissage de représentations nodales de faible dimension et riches en informations. Cependant, les méthodes d'avant-garde ne sont pas nécessairement interprétables et ne sont donc pas pleinement applicables aux contextes sensibles tels que les tâches biomédicales ou le profilage des utilisateurs, où la détection explicite du biais est particulièrement pertinente. L'algorithme proposé SNoRe (Symbolic Node Representations) est capable d'apprendre des représentations symboliques et compréhensibles par l'homme de nœuds individuels au sein d'un réseau, en se basant sur la similarité des hachages de voisinage qui servent de caractéristiques. Les caractéristiques interprétables de SNoRe sont adaptées pour expliquer directement des prédictions individuelles, ce que nous démontrons en le couplant avec l'outil largement utilisé SHAP (SHapley Additive exPlanations) pour obtenir des nomogrammes représentant la pertinence des caractéristiques individuelles pour une classification donnée. À notre connaissance, c'est l'une des premières tentatives dans un cadre d'embedding nodal structurel. Dans l'évaluation expérimentale sur onze jeux de données réels, SNoRe s'est avéré compétitif par rapport à des méthodes de référence solides telles que les autoencodeurs graphiques variationnels, node2vec et LINE. L'implémentation vectorisée de SNoRe permet son application à des réseaux de grande taille, ce qui le rend approprié pour les tâches contemporaines d'apprentissage et d'analyse de réseaux.