随着互联网的不断发展,社交网络用户越来越多,人们日益热衷于参与各种社交网络活动。因此,如何从多个社交网络中找出其中的相同用户是一个非常有价值的工作,这一任务在跨网络推荐、敏感人群定位等各种工作中都体现着很重要的价值,这一任务也被称为网络对齐。当前网络对齐的解决方法一般分为两步:一、社交网络嵌入:因为社交网络是一个非常复杂的结构,直接在社交网络上执行计算是非常困难的。因此,通常先将网络嵌入到一个低维度的空间之中,用一个低维向量来表示网络中的节点。二、锚链接匹配:在获得到网络的嵌入表示之后,通常的思路是利用已知的锚节点来学习两个嵌入表示向量之间的匹配函数。利用这个匹配函数,可以计算出源网络中的每个节点在目标网络中可能与它相同的节点。但是目前网络对齐一般存在以下问题:在嵌入的过程中,在低维度的空间中如何尽可能保留网络自身的结构成为了一个很重要的问题。在锚节点匹配的过程中,面临的主要问题是锚节点数量通常不大,如何高效地利用已知的锚节点来进行匹配学习是一个很重要的问题。在本文中,针对上述存在的问题,采用了如下方案:使用图变分自编码器的方式来对网络进行嵌入,通过调整不同的参数,可以得到一个较好的嵌入结果。并且实现了在使用低维向量进行表示的同时尽可能保留网络自身的结构,同时在锚节点匹配过程中采用了一个多层感知机的架构,利用多层感知机及它的对偶机制,充分利用锚节点来更新匹配函数。最后,在一个真实的数据集上,进行了实验,实验发现本文提出的对齐方法取得了一个不错的结果,并且在准确度上优于当前的一些常用方法。同时,通过对不同参数进行取值比较,得出了网络嵌入中影响较大的一些因素。