现有的基于Word2vec的网络表示学习（NRL）算法使用随机游走（RW）来生成节点序列，针对随机游走倾向于选择具有较大度的节点，生成的节点序列不能很好地反映网络结构信息，从而影响表示学习性能的问题，提出了基于改进随机游走的网络表示学习算法。首先，使用RLP-MHRW算法生成节点序列，它在生成节点序列时不会偏向大度节点，得到的节点序列能更好地反映网络结构信息;然后，将节点序列投入到Skip-gram模型得到节点表示向量;最后，利用链路预测任务来测度表示学习性能。在4个真实网络数据集上进行了实验。在论文合作网络arXivASTRO-PH上与LINE和node2vec算法相比，链路预测的AUC值分别提升了8. 9%和3.5% ，其他数据集上也均有提升。实验结果表明，RLP-MHRW能有效提高基于Word2vec的网络表示学习算法的性能。