La predicción de enlaces es un problema esencial y desafiante en la investigación sobre redes complejas, que puede proporcionar herramientas de investigación y apoyos teóricos para los mecanismos de formación y evolución de las redes. Los métodos existentes de aprendizaje de representación de grafos basados en caminatas aleatorias suelen ignorar la influencia de la topología de red local en la probabilidad de transición de los nodos caminantes al predecir la existencia de enlaces, y la estrategia de muestreo de los nodos caminantes durante las caminatas aleatorias no está controlada, lo que lleva a la incapacidad de estos métodos para aprender de manera efectiva vectores de nodos de alta calidad para resolver el problema de predicción de enlaces. Para abordar los desafíos anteriores, proponemos un método novedoso de incrustación de grafos para la predicción de enlaces. Específicamente, analizamos el mecanismo de evolución de enlaces basado en la teoría de cierre triádico y utilizamos el coeficiente de agrupamiento de la red para representar la capacidad de agregación de la estructura local de la red, y esta definición adaptativa de la capacidad de agregación de la estructura local permite controlar la estrategia de caminata de los nodos en el proceso de caminata aleatoria. Finalmente, se emplea la incrustación de nodos generada en función de caminos de caminata sesgados para resolver el problema de predicción de enlaces. Experimentos y análisis extensos muestran que el algoritmo TCW proporciona una alta precisión en una amplia variedad de conjuntos de datos.