現(xiàn)有的基于隨機游走鏈路預(yù)測指標(biāo)在無權(quán)網(wǎng)絡(luò)上的轉(zhuǎn)移過程存在較強隨機性，沒有考慮在網(wǎng)絡(luò)結(jié)構(gòu)上不同鄰居節(jié)點間的相似性對轉(zhuǎn)移概率的作用。針對此問題，提出一種基于網(wǎng)絡(luò)表示學(xué)習(xí)與隨機游走的鏈路預(yù)測算法。首先，通過基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)算法-DeepWalk學(xué)習(xí)網(wǎng)絡(luò)節(jié)點的潛在結(jié)構(gòu)特征，將網(wǎng)絡(luò)中的各節(jié)點表征到低維向量空間；然后，在重啟隨機游走（ RWR）和局部隨機游走（LRW）算法的隨機游走過程中融合各鄰居節(jié)點在向量空間上的相似性，重新定義出鄰居節(jié)點間的轉(zhuǎn)移概率；最后，在5個真實數(shù)據(jù)集上進行大量實驗驗證。實驗結(jié)果表明：相比8種具有代表性的基于網(wǎng)絡(luò)結(jié)構(gòu)的鏈路預(yù)測基準(zhǔn)算法，所提算法鏈路預(yù)測結(jié)果的AUC值均有提升，最高達3. 34%。