近些年,随着互联网的蓬勃发展,人们已经步入“不出门便知天下事”的时代。该现象的产生主要由于各种各样的社交平台的诞生,包括Twitter和微信等。这些平台与人们的生活息息相关,例如,人们通过微信与亲戚朋友沟通交流。此类社交软件在丰富了人们日常生活的同时,也为研究人员们提供了大量的多域数据。为了提高不同社交平台数据的利用率,并将不同社交网络的账号信息整合在一起,必须将不同社交平台中的账号进行对齐。然而,不同社交平台之间的账号往往相互独立,缺乏对应关系。因此,如何在不利用监督信息的情况下,准确地识别出多个账号背后的同一用户成为了研究的热点。针对上述问题,在考虑结构信息的情况下,本文设计了一种有效的算法框架,旨在找到不同社交网络之间的公共空间,即统一表示模型。本课题首先提出了基于无监督的多网络对齐算法,给定多个网络用户的结构属性;其次,设计了交替优化方法求解多约束矩阵优化问题进行等价构造,利用特征值分解思想将部分约束加入到求解过程;然后,以一种快速收敛的算法求解基矩阵子问题(公共空间子问题);最后,通过将多个网络用户映射到该公共子空间,选择合适的距离度量算法,例如欧式距离,进行用户对齐。最后,本文利用真实网络中的数据集进行评估,实验主要包括两部分:第一部分是与基线算法的比较,本文所设计的用户对齐算法所带来的性能和效果的提升;第二部分是设置不同参数,评估不同的参数对本文所设计算法的影响。实验结果表明,本文设计的跨社交网络对齐算法在对齐效果上优于基线算法。