随着互联网的蓬勃发展,越来越多的人愿意在社交网络中交友与生活。所以用户往往拥有多个社交网络账号。但由于平台之间的封闭性,同一用户在不同社交网络平台中产生的数据无法有效连通,这为跨网络数据挖掘任务带来了困难。因此,社交网络用户对齐成为一个关键的研究问题。对于社交网络用户对齐来说,基于表示学习的模型已被证明是有效的方案,这类模型通常采用节点之间的特征传播与聚合的模式来学习节点的特征。然而,对于密集的子图结构来说,通常会导致嵌入空间“过度密集”,使模型在对齐过程中误匹配的概率增大。此外,在表示学习过程中,通常需要所有的邻居节点参加信息传播过程。由于网络的复杂性与数据的随机性,不可避免会引入“噪声”,影响模型对齐性能。本文针对上述两个问题,以提升社交网络对齐模型准确率为目标,进行了研究。主要研究内容与创新如下:1、本文提出一种基于伪锚节点与元学习的社交网络对齐框架,通过植入的伪锚节点来改变网络中节点表示向量的更新模式,使缺少锚节点的局部嵌入空间变得更加的稀疏,本文通过节点向量的梯度更新过程和泰勒展开式对这一结论进行了证明。进一步提出一种元学习算法来指导伪锚节点的表示向量在学习过程中找到伪锚节点在对齐算法中更好的位置。本文提出的通用学习框架可以广泛适用在基于表示学习的社交网络对齐方法中。在两个真实社交网络数据上的实验结果表明,相对于目前先进的对齐模型来说,在模型中融合本文所提的框架取得了更高的准确率,特别是在仅有少量标注可用的情况下。2、本文提出一种面向社交网络对齐的结构去噪模型,该模型以去除跨网络表示学习中的“噪声”关系为目标,提出了基于掩码矩阵,设计图表示模块与对齐模块的联合学习方案。进一步结合局部一致,全局一致的思想,学习得到针对对齐任务而言的“噪声”数据,通过掩码矩阵计算得到节点关系的重要程度,并删除不重要的top N%部分完成数据增强。在真实数据上的实验表明,在删除少量“噪声”关系时,模型准确率可以得到有效提升,删除较多关系时,仍然能保持较高水平的准确率,上述结果证明了所提模型的有效性。