La mayoría de los algoritmos de aprendizaje automático asumen que las instancias son independientes entre sí. Esto no se cumple para los datos en red. El aprendizaje de representación de nodos (ARN) tiene como objetivo aprender vectores de baja dimensión para representar nodos en una red, de manera que se puedan preservar todos los patrones accionables en las estructuras topológicas y la información secundaria. La amplia disponibilidad de datos en red, por ejemplo, en redes sociales, biológicas y de tráfico, junto con numerosas aplicaciones, facilitan el desarrollo del ARN. Sin embargo, se ha vuelto desafiante para investigadores y profesionales seguir los algoritmos de ARN más avanzados, dado que fueron evaluados utilizando diferentes configuraciones experimentales y conjuntos de datos. A este respecto, en este documento nos enfocamos en el ARN no supervisado y proponemos un marco de evaluación justo y completo para evaluar sistemáticamente los algoritmos de ARN no supervisados más avanzados. Evaluamos exhaustivamente cada algoritmo aplicándolo a tres tareas de evaluación, es decir, clasificación afinada a través de un conjunto de validación, predicción de enlaces afinada en la primera ejecución y clasificación afinada a través de la predicción de enlaces. En cada tarea y cada conjunto de datos, todos los algoritmos de ARN fueron afinados mediante una búsqueda aleatoria dentro de un tiempo fijo. Basándonos en los resultados de las tres tareas y ocho conjuntos de datos, evaluamos y clasificamos trece algoritmos de ARN no supervisados.