随着智能设备的普及和移动互联网的发展,海量的用户行为信息在网络上产生。同时,随着各种平台的兴起,一个用户实体可能同时在多个平台注册账户,各个平台之间的联动性增强,网络数据呈现出跨平台的特性,海量数据场景下局限于单一网络的分析和挖掘已经不能满足目前的实际应用需求。通过网络实体对齐技术在海量的网络节点中挖掘出不同网络中对应同一现实场景中的人与物,对于跨网络推荐系统、跨网络犯罪追踪以及跨语言翻译等具有重要的意义。一方面,网络结构数据庞大的节点规模、拓扑结构、关系分布的多样性和不均衡性使得现有的网络表示学习方法难以学习和提取到高效的特征信息。另一方面,网络的虚拟性和不同网络间的跨领域特性使得实际场景下跨网络标记训练数据难以大量获取,严重限制了现有监督类算法和模型的实际应用能力。因此,本文将从网络表示学习和实体对齐两个层面展开研究:首先,本文从网络数据特征提取和表示学习方面展开研究,对目前的网络表示学习方法进行深入分析,并从异质网络中节点之间交互的多样性和邻域节点的层次性入手,提出一种多源交互融合网络表示学习模型。将节点邻域分为一阶邻域和高阶邻域,分别通过本文提出的一阶邻域信息聚合算法和高阶邻域信息聚合算法进行信息聚合,然后利用本文提出的多阶邻域信息融合算法进行信息融合。利用开源的真实数据在多种下游任务上对方法进行了验证,实验结果表明,所提出的方法相比现有的方法在各类指标上均有不同程度的提升。其次,本文基于在网络表示学习层面的研究基础,对目前的网络实体对齐方法进行深入分析,从实际场景下跨网络实体对齐标记数据难以大量获取的现实问题出发,提出一种残差循环对抗实体对齐方法。利用本文提出的残差对抗实体对齐模型实现了无监督场景下的实体对齐学习,在此基础上,利用重建损失模型和循环对抗模型对其进行了优化。在真实数据和生成数据上对所提出的方法进行了验证,实验结果表明,本文提出的方法相比目前的方法有较大提升,无监督学习的特性也提升了模型在实际场景下的应用能力。最后,本文基于在网络表示学习和网络实体对齐两个方面的研究成果,结合实际的应用场景需求,设计并实现了一套跨网络实体对齐原型系统,从实际应用中验证了本文研究内容的可行性。