El aprendizaje de representaciones de redes es un campo de investigación clave en la minería de datos de redes. En este artículo, proponemos un novedoso algoritmo de representación de redes de múltiples vistas (MVNR), que incrusta las relaciones de múltiples escalas de los vértices de la red en el espacio de representación de baja dimensionalidad. A diferencia de los enfoques existentes, MVNR codifica explícitamente información de orden superior utilizando redes de -pasos. Además, introducimos el índice de bosque de matrices como un tipo de característica de red, que puede aplicarse para equilibrar los pesos de representación de diferentes vistas de red. También investigamos la relevancia entre MVNR y varios logros de investigación excelentes, incluidos DeepWalk, node2vec y GraRep, entre otros. Realizamos nuestro experimento en varios conjuntos de datos de citas del mundo real y demostramos que MVNR supera a algunos enfoques nuevos utilizando factorización matricial neuronal. Específicamente, demostramos la eficiencia de MVNR en tareas de clasificación de redes, visualización y predicción de enlaces.