随着互联网的迅速发展,在人们的日常生活中,社交网络的重要程度也越来越高。人们通常会注册多个不同的社交网络账号以享受不同的社交网络的功能。用户对齐是指将多个社交网络中属于现实世界中同一自然人的不同账号进行对齐,从而将用户散布在多个网络中的碎片化信息进行整合,对网络安全、社交网络数据挖掘和商品推荐等领域都具有重要意义。现阶段关于用户对齐问题还存在缺陷:第一,很多用户对齐研究都将社交网络单独嵌入到向量空间中,损失了网络信息,无法有效挖掘网络间隐藏信息。第二,在用户属性的利用上,大多数用户对齐任务采用向量拼接的方式,无法有效地将网络结构与属性相结合。针对上述问题,本文采用异构网络联合嵌入的方式,开展了用户对齐方法的研究。主要研究如下:1.提出了基于知识图联合嵌入的用户对齐算法。首先,利用种子锚用户对集合增加正例数量,并使得种子锚用户对在嵌入空间中的距离更近;其次,提出了Near＿K负采样方法,保证负例质量进而提升嵌入空间质量;紧接着,提出了结构相似度,充分考虑用户在网络结构上的相似性,并结合余弦相似度共同度量用户相似性;最后,采用基于自适应阈值的贪心匹配方法寻找潜在锚用户对,并将每轮迭代中新找到的锚用户对加入下一轮训练中,优化嵌入空间的同时避免了错误传递。实验结果表明,提出的算法在真实的社交网络数据集上的性能较基准算法有较大提升,能有效解决跨网络用户对齐问题。2.将图卷神经网络应用于用户对齐任务,提出了基于图卷积神经网络的用户对齐算法。首先,结合杰卡德系数提出了一种用户亲密度度量方法,以利于社交网络中用户间的亲密程度能体现在邻接矩阵中,有助于提高对齐性能;其次,提出了邻接矩阵构造方法,使得图卷积神经网络能应用于跨网络用对齐任务;最后,将真实度高、易获取的用户名属性与网络结构相结合,共同作用于用户对齐任务,进一步提升对齐性能。实验结果表明,算法有效地融合了社交网络结构与用户属性,提升跨网络用户对齐性能。