近年来,随着互联网与社交网络的快速蓬勃发展,用户为了享受社交网络平台提供的所有服务,会在多个社交网络平台上注册账号。用户对齐就是在多个社交网络上发现同一个人的账户,这在许多应用中都很重要。在用户对齐问题上,目前有两个主要的挑战,首先,收集手工对齐的用户对作为训练数据的代价非常大,但传统的有监督方法往往需要大量的标注数据才能获得较好的效果;其次,不同社交网络的功能和服务不同,导致用户的结构和属性类型往往都不太相同,进一步增加了用户对齐的难度。为了解决这两个问题,本文尝试结合多粒度计算的思想,提出了基于多粒度计算的无监督用户对齐方法,主要研究成果如下:1.提出了一种基于用户属性与结构的无监督用户对齐方法SPUAL,设计了一种新颖的基于用户的属性与结构的软对齐一致性原则,对不同的软对齐原则赋予不同的权重,使用累加的方式计算用户对之间对齐性一致性的程度,假设对齐的用户对应该满足一定的软对齐一致性原则,基于这个假设设计目标函数并转换为矩阵的形式得到对齐矩阵,最后采用贪婪匹配的方法找出所有对齐的用户。在几个公共数据集上进行的实验表明,此模型的对齐准确度比目前最先进的无监督方法都有明显的提高。2.提出一种基于多粒度的用户对齐方法MGUAL。首先利用多分辨率矩阵对社交网络进行粗化,粗化后的矩阵可以捕捉社交网络的内部结构。粗化之后利用经典无监督用户对齐得到当前粗化网络的对齐矩阵,利用插值矩阵分析不同粒度的对齐矩阵的关系得到最细粒度的对齐矩阵。利用这种方法,可以在不损失对齐精度的情况下可以显著的降低模型的时间复杂度。多个数据集上实验结果证明了MGUAL模型具有很高的时间性能,并且可以很准确的识别对齐的用户。