Après avoir été largement prouvée utile dans de nombreuses applications, l’embedding de réseau a joué un rôle fondamental dans l’analyse des réseaux. La plupart des travaux récents modélisent le réseau en minimisant la probabilité conjointe selon laquelle un nœud cible co-occurrence avec ses nœuds voisins. Toutefois, ces méthodes peuvent échouer à capturer l’information personnalisée propre à chaque sommet. Dans ce travail, nous proposons une méthode appelée Personalized Proximity Preserved Network Embedding (PPPNE), qui permet de capturer de manière adaptative la personnalisation des sommets à l’aide d’une perte de classement personnalisée. Notre analyse théorique montre que PPPNE généralise les approches antérieures fondées sur la factorisation matricielle ou les réseaux neuronaux à une seule couche, et nous soutenons que la préservation de la proximité personnalisée est la clé pour apprendre des représentations plus informatives. En outre, afin de mieux capturer la structure du réseau à plusieurs échelles, nous exploitons l’ordre des distances par rapport à chaque sommet. Notre méthode peut être optimisée efficacement grâce à une stratégie d’échantillonnage ancrée sur les sommets. Les résultats d’expériences étendues sur cinq réseaux réels démontrent que notre approche surpasse les méthodes d’embedding de réseau les plus avancées, avec une amélioration notable sur plusieurs tâches courantes telles que la prédiction de liens et la classification des sommets. En outre, PPPNE est efficace et peut être facilement accélérée par calcul parallèle, ce qui permet son application à des réseaux de grande taille.