多数の応用において極めて有用であることが実証されたネットワーク埋め込み（network embedding）は、ネットワーク解析において重要な役割を果たしている。近年の多くの研究では、ターゲットノードがその近隣ノードと共起する同時確率を最小化することでネットワークをモデル化している。しかし、このような手法は各頂点の個別的な情報量（パーソナライズドな情報性）を十分に捉えることができない可能性がある。本研究では、パーソナライズドランク損失（personalized ranking loss）に基づき、頂点の個別性を適応的に捉えることを目的として、パーソナライズド近接性を保全するネットワーク埋め込み（Personalized Proximity Preserved Network Embedding: PPPNE）という手法を提案する。理論的解析により、PPPNEが行列因子分解や単層ニューラルネットワークに基づく従来手法を一般化していることが示され、パーソナライズド近接性の保持こそがより情報豊かな表現学習の鍵であると主張する。さらに、複数スケールにおけるネットワーク構造をより正確に捉えるために、各頂点の距離順序（distance ordering）を活用する。本手法は、頂点を基準としたサンプリング戦略により効率的に最適化可能である。5つの実世界ネットワークを用いた広範な実験の結果、リンク予測や頂点分類といった一般的なタスクにおいて、最先端のネットワーク埋め込み手法を顕著に上回る性能を達成した。また、PPPNEは計算効率が高く、並列計算によって容易に高速化可能であり、大規模ネットワークへの適用も可能である。