Incrustar datos de redes sociales en un espacio vectorial de baja dimensión ha demostrado un rendimiento prometedor para muchas aplicaciones del mundo real, como la clasificación de nodos, el agrupamiento de nodos, la predicción de enlaces y la visualización de redes. Sin embargo, la información contenida en estos vectores incrustados sigue siendo abstracta y difícil de interpretar. Los métodos para inspeccionar las incrustaciones generalmente dependen de métodos de visualización, que no funcionan a gran escala y no dan interpretaciones concretas de las incrustaciones vectoriales en términos de propiedades de red preservadas (por ejemplo, medidas de centralidad o de intermediación). En este documento, estudiamos e investigamos las propiedades de red preservadas por procedimientos de incrustación recientes basados en caminatas aleatorias como node2vec, DeepWalk o LINE. Proponemos un método que aplica aprendizaje para clasificar para relacionar las incrustaciones con centralidades de red. Evaluamos nuestro enfoque con experimentos extensos en redes sociales del mundo real y artificiales. Los experimentos muestran que cada método de incrustación aprende diferentes propiedades de red. Además, demostramos que nuestras incrustaciones de gráficos, en combinación con redes neuronales, proporcionan una forma computacionalmente eficiente de aproximar la medida de Centralidad de Cercanía en redes sociales.