El aprendizaje de representación de redes es un método de aprendizaje automático que mapea la topología de la red y la información de los nodos en un espacio vectorial de baja dimensión. El aprendizaje de representación de redes permite la reducción de la complejidad temporal y espacial en la minería de datos de redes, como la clasificación de nodos y el agrupamiento de grafos. Los algoritmos existentes suelen ignorar la información topológica global de la red en el aprendizaje de representación de redes, lo que conduce a la pérdida de información. El subgrafo completo en la red comúnmente tiene una estructura de comunidad, o es el módulo componente de la estructura de la comunidad. Creemos que la estructura de la comunidad sirve como la estructura revelada en la topología de la red y preserva la información global. En este documento, proponemos SF-NRL, un algoritmo de aprendizaje de representación de redes basado en el plegado de subgrafos completos. El algoritmo preserva completamente la información topológica global de la red original, encontrando subgrafos completos en la red original y plegándolos en super nodos. Empleamos el algoritmo de aprendizaje de representación de redes para estudiar los incrustamientos de nodos en la red plegada, y luego fusionamos los incrustamientos de la red plegada con los de la red original para obtener los incrustamientos finales de nodos. Los experimentos realizados en cuatro redes del mundo real demuestran la efectividad del algoritmo SF-NRL. El algoritmo propuesto supera a los baselines en métricas de evaluación en tareas de detección de comunidades y clasificación multi-etiqueta. El algoritmo propuesto puede generalizar efectivamente la información global de la red y proporciona un excelente rendimiento de clasificación.