Actualmente, los datos que se recopilan de sistemas reales y se organizan como redes de información son universales. Extraer información oculta de estos datos es generalmente útil para comprender y beneficiarse de los sistemas correspondientes. Los desafíos de analizar tales datos incluyen una alta complejidad computacional y una baja paralelización debido a la naturaleza de la complicada estructura interconectada de sus nodos. El aprendizaje de representación de redes, también llamado incrustación de redes, proporciona una forma práctica y prometedora de resolver estos problemas. Uno de los principales requisitos de la incrustación de redes es preservar las propiedades de topología de la red en representaciones de baja dimensión aprendidas. La estructura comunitaria es una característica prominente de las redes complejas y, por lo tanto, debe mantenerse bien. Sin embargo, la dificultad radica en el hecho de que las propiedades de la estructura comunitaria son multivariadas y complicadas; por lo tanto, no es suficiente modelar la estructura comunitaria utilizando un modelo predefinido, como es popular en la mayoría de los algoritmos de incrustación de redes de vanguardia que consideran explícitamente la preservación de la estructura comunitaria. En este artículo, introducimos un marco paralelo de multiprocesamiento para la incrustación de redes que se mejora con la información comunitaria parcial encontrada y puede preservar bien las propiedades comunitarias. También implementamos el marco y proponemos dos métodos de incrustación de nodos que utilizan la teoría de juegos para detectar información comunitaria parcial. Se llevan a cabo una serie de experimentos para evaluar el rendimiento de nuestros métodos y seis algoritmos de vanguardia. Los resultados demuestran que nuestros métodos pueden preservar efectivamente las propiedades comunitarias de las redes en sus representaciones de baja dimensión. Específicamente, en comparación con las líneas base involucradas, nuestros algoritmos se comportan mejor y son los segundos en redes con alta diversidad y densidad de superposición.