随着互联网技术的不断发展,社交网络平台数量和网民数量与日俱增,用户在功能服务各异的社交网络平台活动的同时,也产生了大量能够反应用户特征的数据信息。但由于各个社交网络平台之间相互独立,使得这些用户数据信息难以产生联系。跨社交网络用户身份识别技术就是通过对用户留在不同社交网络平台的数据信息进行分析利用,识别出属于同一自然人的社交网络用户账号,从而将各平台数据整合起来,建立起相对全面的用户画像。该技术的发展对网络安全、推荐系统、数据挖掘领域意义重大。目前,跨社交网络用户身份识别技术研究已经取得了一些成果,但针对基于拓扑结构信息的用户身份识别,还存在一些问题:（1）现有算法没有考虑好友节点的差异性。社交网络中用户的不同好友对该用户的影响并非是完全等价的,如果只以均匀分布描述节点间的转移概率,就不能准确描述出社交网络中节点的好友关系。（2）现有的基于网络表示学习的用户身份识别算法虽然在一定程度上提高了识别效果,但却未考虑社交网络中节点的高阶好友信息,影响节点向量对网络结构的精确表示。（3）社交网络中不同阶好友对用户身份识别的贡献不同,如果将各阶好友特征等权重化,则会影响用户身份识别性能。针对这些问题,本文的主要内容如下:（1）提出了一种基于好友贡献的多阶网络嵌入用户身份识别算法首先,考虑了不同好友节点对中心节点的影响不同,基于特征向量中心性构建了转移概率矩阵,该矩阵能够较好的表达社交网络中节点之间的转移关系;然后,将社交网络中节点的好友关系扩展至K阶,并将节点不同阶好友嵌入到不同的特征子空间,避免了破坏社交网络的拓扑结构;最后利用网络表示学习获得节点的表示向量,搭建并训练神经网络模型,通过该模型可以直接判断任意两个账号是否属于同一自然人。（2）提出了一种基于单特征决策加权融合的用户身份识别算法在基于好友贡献的多阶网络嵌入用户身份识别算法的基础上,本文考虑了不同阶好友与中心用户节点的关系。首先,为各阶好友特征单独训练子分类器;然后基于结果反馈原理为各子分类器赋予不同的权重,从而合理的量化了不同阶好友对用户身份识别的贡献;最后将子分类器结果在决策层进行加权融合,判断用户的同一身份。同时,由于各阶好友特征分开训练,各子分类器可以采用并行结构,大大提高了算法的时间效率。在社交网络数据集上的实验结果表明,基于好友贡献的多阶网络嵌入用户身份识别算法的各项指标均优于现有算法。在先验种子节点率为60%时,F1值最高提升了11.07%,最低也提升了2.54%。而基于单特征决策加权融合的用户身份识别算法在此基础上进一步将F1值提升了大约1%,且算法的时间性能优势明显。图[34]表[9]参[76]