网络表示学习旨在将网络中的节点表示成低维、稠密的实值向量形式,并使所得向量具备表示和推理的能力,从而可直接作为特征,用于分类、预测以及可视化等经典的网络分析任务。传统网络表示学习方法利用矩阵分解进行数据降维,由于缺乏扩展性和普适性,已逐步被基于深度学习的新型方法所取代。基于深度学习的方法通常使用随机游走算法采集节点序列,并通过神经网络训练节点向量。然而,它们在采样时均忽略了真实网络的无标度特性,而对网络中所有节点采取全局一致的游走策略,使生成的样本存在大量冗余信息且无法准确地保留原始网络的拓扑结构,极大地限制了网络表示学习的效率和效果。因此,提出一种基于节点度偏置的可回溯的随机游走算法DiaRW。在均匀随机游走的基础上,首先引入基于节点度偏置的回溯机制,允许游走路径在高度节点处以一定的概率发生回溯,利用高度节点的枢纽性对拓扑结构进行更充分的提取;同时,设计一种基于节点中心性的变长策略取代定长的游走策略,减少随机游走在低度节点附近对冗余信息的采集。DiaRW算法充分利用真实网络的无标度特性,可以更高效且精准地提取原始网络的拓扑信息,从而有效地提高网络表示学习的效率和效果。实验结果表明,在网络表示学习中使用DiaRW算法进行节点采样,可以在保证所得向量质量的前提下,大幅提高表示学习的效率和性能。对于一个拥有百万节点的复杂网络(YouTube),仅需56分钟即可完成所有节点的表示学习,相比于Node2Vec方法,在性能上提升了10倍。同时,将DiaRW得到的向量用于节点多标签分类任务时,分类效果(Macro-F1和Micro-F1分数)分别提升了8.1%和9.6%。