一句话定义
随机游走（Random Walk）是一条“每一步都靠概率决定往哪走”的路径：站在某个位置，按给定概率分布挑一个邻居迈过去，到了新位置再重复，走出来的一串位置就是一次随机游走。
从醉汉到图：原理就这么简单
打个比方。一个醉汉从路灯下出发，每走一步都随机选方向，向左或向右各一半。你没法预测他第 10 步站在哪，但你能预测他“大概离路灯多远”：走 n 步之后，他离原点的典型距离与 √n 成正比，并非与 n 成正比。单步完全随机，整体却服从稳定的统计规律，这就是它最迷人的地方。物理里的布朗运动，就是它在连续世界里的版本。
把“路灯下的直线”换成一张图，就得到 AI 里最常用的形式：节点是人、网页或商品，边是关系，每步按边权（或均匀）挑一个邻居。走久了，每个节点被访问的频率会趋于稳定，这个长期停留比例就是图结构的一种刻画。
它撑起了哪些方法
- PageRank：想象一个不停点链接的“随机冲浪者”（random surfer），以一定概率沿链接继续走，以一定概率不耐烦地随机跳到任意网页。网页被访问的频率越高，排名越靠前。
- Node2Vec 与 DeepWalk：在图上跑大量短随机游走，把经过的节点当成一句话里的词，交给词向量模型，就得到节点的向量表示（embedding）。Node2Vec 还引入两个参数，让游走偏向“原地打转”或“越走越远”。
- 采样与推断：MCMC（马尔可夫链蒙特卡洛）就是构造一条游走，让它的长期停留比例等于你想采样的分布；大图上的游走采样，也常用来“抽一小块”代替全图计算。
和几个容易混的概念比一比
| 概念 | 怎么走 | 有无目标 | 典型用途 |
|---|---|---|---|
| 随机游走 | 每步按概率挑邻居 | 无 | 采样、排序、图嵌入 |
| BFS、DFS | 按规则系统性遍历 | 有，要覆盖全图 | 最短路、连通性、搜索 |
| 马尔可夫链 | 状态间按转移概率跳转 | 无 | 建模“下一步只依赖现在” |
| MCMC | 特意设计转移概率的马尔可夫链 | 有，逼近目标分布 | 贝叶斯推断、采样 |
一句话：随机游走是马尔可夫链的特例（状态就是位置），MCMC 则是“为了采样而特意设计”的随机游走。
对从业者和普通人意味着什么
对从业者，随机游走是“用局部信息换全局近似”的典型手段：不必把整张大图装进内存，跑大量短路径，就能拿到还不错的排序、聚类和向量表示。代价是方差：步数太短不稳定，太长又太贵，参数往往靠实验调。它也是强化学习里“探索”（exploration）的原型：不总走当前最优那一步，才有机会发现更好的路。
对普通人，搜索结果排序、社交平台“你可能认识的人”、推荐系统的多样性，背后都有这种“按概率一步步走”的影子。推荐越推越窄，往往就是游走时只肯走最熟的那条边，探索不足。