現(xiàn)有的基于隨機游走鏈路預測指標在無權網(wǎng)絡上的轉移過程存在較強隨機性，沒有考慮在網(wǎng)絡結構上不同鄰居節(jié)點間的相似性對轉移概率的作用。針對此問題，提出一種基于網(wǎng)絡表示學習與隨機游走的鏈路預測算法。首先，通過基于深度學習的網(wǎng)絡表示學習算法-DeepWalk學習網(wǎng)絡節(jié)點的潛在結構特征，將網(wǎng)絡中的各節(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。實驗結果表明：相比8種具有代表性的基于網(wǎng)絡結構的鏈路預測基準算法，所提算法鏈路預測結果的AUC值均有提升，最高達3. 34%。