El aprendizaje de representación de redes tiene como objetivo aprender vectores representacionales de baja dimensión, compresibles y distribuidos de los nodos en las redes. Debido a los costos elevados de obtener información de etiquetas de los nodos en las redes, se han propuesto muchos métodos de aprendizaje de representación de redes no supervisados, donde la estrategia de caminata aleatoria es uno de los enfoques ampliamente utilizados. Sin embargo, los métodos existentes basados en caminata aleatoria presentan algunos desafíos, incluyendo: 1. La insuficiencia para explicar el conocimiento de la red en las muestras de caminata; 2. Los efectos adversos causados por la mezcla de diferentes informaciones en las redes; 3. La poca generalidad de los métodos con hiperparámetros en diferentes redes. Este documento propone un marco de aprendizaje de representación de redes no supervisado basado en caminata aleatoria explicativo de la información llamado "Probabilistic Accepted Walk" (PAW) para obtener representación de red desde la perspectiva de la distribución estacionaria de las redes. En el marco, diseñamos dos distribuciones estacionarias basadas en la autoinformación de los nodos y la información local de las redes para guiar nuestra estrategia de caminata aleatoria propuesta para aprender vectores representacionales de redes a través de muestras de caminos de nodos. Numerosos resultados experimentales demostraron que el PAW podría obtener una representación más expresiva que otros seis baselines ampliamente utilizados de aprendizaje de representación de redes no supervisadas en cuatro redes del mundo real en tareas de clasificación de nodos de una sola y múltiples etiquetas.