网络嵌入旨在将图中的节点映射到低维、稠密、实值的向量空间，具有着广泛的应用场景，如节点分类、聚类、链接预测和可视化等，其主要挑战在于真实网络中节点数量往往非常庞大而节点间边关系十分稀疏。为了应对此挑战，基于随机游走的网络嵌入算法得到了较快发展，其核心思想是：对网络中节点进行随机游走以得到节点的邻域关系，然后通过优化约束邻域内节点在嵌入空间保有相邻的目标，得到所有节点的嵌入表示。现有工作已经发现不同的随机游走策略在不同网络数据上的表现能够优于均匀随机游走策略，但却尚无根据网络数据特性指导选择更优随机游走策略的方法论。本文综述了网络嵌入算法，阐明了基于随机游走的网络嵌入算法的原理，介绍了其理论基础与工作流程，提出了一系列通过统计随机游走结果即邻域集来评价随机游走策略的指标体系；并在此评价体系基础之上，借用主动学习思想构建了迭代查询随机游走策略以加速发现最优随机游走策略的过程，在有一定网络知识支持的条件下大幅节约了为特定网络数据寻找合适的网络嵌入算法的时间，以此自证了假设：随机游走策略是通过调整参数适应目标网络对节点社区的定义方式来提高嵌入算法的综合性能的。