ネットワーク表現学習（NRL）は、元のネットワークを低次元ベクトル空間に射影することにより、大規模なネットワークの分析を支援するために広く使用されています。しかし、既存のNRL手法では、異種情報ネットワーク（HINs）における関係の特性がオブジェクトの関連性に及ぼす影響が無視されています。本論文では、この問題に対処するため、関係の量と特性を表現学習プロセス中に考慮する新しいNRLフレームワークであるEvent2vecを提案します。具体的には、複数のオブジェクト間の関係を表すためにイベント（つまり、完全な意味単位）を使用し、関係の量と特性に基づいてオブジェクトの関連性を測定するためのイベント駆動型一次近接度と二次近接度を定義します。理論的に証明した結果によれば、Event2vecはイベント埋め込みを利用してオブジェクト埋め込みの学習を促進することで、埋め込み空間においてイベント駆動型近接度を保つことができます。実験研究では、4つの実世界データセットと3つのネットワーク解析タスク（ネットワーク再構築、リンク予測、ノード分類を含む）において、Event2vecが最先端アルゴリズムに対して優れていることを示しています。