图对齐,亦被称作节点对齐,旨在多个社交网络平台中找到在现实生活中属于同一个自然人的用户。它是社交网络分析中的一个基本任务,近年来在跨知识图谱领域及自然语言处理领域中均有涉及。传统的图对齐方式虽然凭借着愈加强大的计算资源取得了一定的进展,但是它们大都依赖于训练数据与测试数据需要存在部分对应节点,即所谓的锚链接。这些数据的获取会涉及到安全问题例如用户隐私等,若直接对各种图网络数据手动标记对应节点会给实际应用带来局限,因此,如何构建对应节点是图对齐在实际应用中的挑战。本文针对图数据本身的特点,在没有任何锚链接的情况下,开展对齐两个图的研究,达到既保留图自身的特征信息,又无需图之间的锚链接的目的。本文基于图本身的性质提出了两个框架独立解决无监督图对齐的问题:其一是基于图嵌入的无监督对抗图对齐框架,通过完全无监督的方式,即没有现成的锚链接并且没有节点的属性信息或其他资料可用,来进行两个图的节点向量空间的跨域对齐;其二是基于图卷积的无监督对抗图对齐框架,通过图卷积网络将节点特征向量和对抗网络直接结合,实现端到端的训练。本文进一步将两种框架扩展成为增量式,它可以通过伪锚链接也就是模型的输出结果重新训练获得不曾观测到的用户链接。同时这可以形成正反馈来进一步提高节点向量的质量和对齐精度。本文通过引入对抗训练对两张没有任何相关信息的图进行高效的伪链接标注,有效减轻了对大规模数据的标注压力。增量式框架即本文挑选置信度最高的高相似度节点构成节点对,同时通过对齐双向节点来选择可靠的高置信度图内节点对加入训练集,在为模型提供新特征的同时也缓解原始训练数据的信息过少的问题。论文所提方案在公开社交网络数据库Last.fm,Flickr,Myspace和文献数据库Cora,Citeseer上分别进行实验,较传统的无监督方案在图对齐任务上的对齐精度平均提升了 40%,同时省去了大量的人工标注时间。除了应用于社交网络,本文所提模型还可用于其他图数据对齐的应用,例如药物开发、图像匹配等。