网络表示学习旨在研究网络中节点的低维表示,进而将这种低维表示应用于聚类、分类、社区发现、链路预测等场景。使用随机游走产生序列,从该序列中提取网络中节点的低维特征,是网络表示学习常用的方法。对于该类算法而言,随机游走序列的产生至关重要。在运算资源有限的情况下,产生能尽量包含更多信息的随机游走序列,对后续网络表学习的特征提取阶段有很大帮助。本文围绕传统随机游走的两点不足,对随机游走序列产生的方法展开讨论,探索更有效的随机游走序列产生的方法。第一,传统随机游走方法只保留了局部信息,忽略了全局信息。对整个网络而言,邻接信息表现的是网络的局部相似性,而高阶相似性保存了网络的全局信息。本文针对这一不足提出了一种改进方法,该方法在随机游走之前,计算中心节点和周围邻居节点的二阶相似性,从某个中心点开始,选择下一节点时,按照该二阶相似性比值产生的概率分布进行选择,而不是随机的等概率选择。本文将这种改进之后的随机游走方法应用于DeepWalk算法中,通过对聚类、分类、社区发现等实验场景的对比,发现这种改进在各项指标中确实优于原先基于传统的随机游走的网络表示学习方法。第二,传统随机游走并未考虑属性相似性。对于节点带属性的网络而言,随机游走时要保留的不仅是其局部相似性和全局相似性,还应该保留其属性相似性,而对于这类网络如果直接利用传统的随机游走,则只保留了局部信息。针对这一不足之处,本文提出另一种随机游走的改进方法,对于每个点都和周围点计算属性相似性,并将属性相似性的大小生成概率分布,按照该概率分布选择下一节点。该算法将节点的属性特征融入随机游走的选路过程中,产生的随机游走序列不仅包含网络的邻接信息,也包含了节点属性信息。本文在引文数据集上进行实验,证明该算法在“干扰边”增多的情况下,聚类结果更加稳定。