大数据时代的到来,复杂网络出现在真实世界的各种场景中,高质量的网络分析可以让用户更加深入地理解海量数据背后的内容,从而有助于节点分类、链接预测和可视化等重要的网络分析任务。然而大多数网络分析任务都存在计算量大和空间开销大的问题。网络表示学习是解决网络分析任务的一种深刻且高效的方法,它将网络节点映射到低维向量空间,同时最大限度地保留原始网络的结构和属性信息。基于随机游走的网络表示学习算法因其具备良好的可扩展性,在近年来的研究中广受关注。随机游走模型主要分为两个阶段,首先对网络中的每个节点执行多次随机游走,然后使用Skip-Gram模型对采样得到的节点序列训练得到节点向量。然而主流方法通常采用全局统一的游走策略,导致随机游走在采样的不同阶段产生了大量的冗余样本,在网络表示学习时引入了噪声,且严重影响效率。为此,提出一种基于连通性感知和偏差反馈的自适应游走算法ConDevRW。首先分析转移概率引入样本冗余的根本原因,提出了一种局部连通性感知的转移策略,用于减少直接回溯和间接回溯产生的重复采样,提高样本集中有效信息的比例;同时,基于样本集与原始网络之间的采样偏差设计了一个单路径收敛监视器和一个全局收敛监视器,用于自适应的决定节点序列的游走长度和采样次数,在采样过程收敛时主动停止游走以减少单条路径过长和采样次数过多导致的样本冗余。ConDevRW围绕网络的连通性和采样偏差来控制游走,可以在尽量保证原始网络拓扑结构采样质量的前提下,大幅度减少采样阶段产生的冗余样本,从而提高网络表示学习算法的扩展性。在不同领域的多组数据集上的实验结果表明,基于ConDevRW采样的网络表示学习系统ConDevNE能够在保证多标签分类和链接预测准确度的前提下,显著提高表示学习的效率和扩展性。与具代表性的网络表示学习算法相比,ConDevNE的执行时间加速比能够达到1.3-46.2倍。同时,将不同数据集的节点向量应用到下游任务时,ConDevNE在多标签分类的Micro-F1上实现了2.7%-12.8%的提升,在链接预测的AUC上实现了0.7%-23.6%的提升。