跨社交网络用户身份识别是在线社交网络研究的重要组成部分,在多源数据融合、跨网络信息传播以及网络空间治安管理等方面具有重要的现实意义。近年来跨网络用户身份识别研究受到越来越多的关注,基于社交网络拓扑结构的用户身份识别算法层出不穷。但当前研究中仍然存在用户特征提取不全面、跨社交网络用户间关系建模不准确的问题。本文聚焦于从网络拓扑结构的角度解决用户身份识别问题,主要工作和创新点如下:1.针对现有研究中仅利用邻近性结构学习用户特征表示而导致用户特征提取不全面的问题,提出了基于社区结构表示学习的跨社交网络用户身份识别算法。首先,在学习社交网络中节点向量表示的过程中同时考虑一阶/二阶邻近性结构和社区结构,尽可能地保留社交网络原始结构信息;然后,将已知锚链接作为监督信息,训练BP神经网络,学习源网络和目标网络之间的非线性映射函数。在真实社交网络数据集和合成数据集上进行的一系列实验表明,该算法不仅提高了用户身份识别的准确性,其中0)(84)4)9)@1超过45%,比最先进的Deep Link算法提高了30%以上;而且在已知锚链接较少的场景下,仍然具有十分优异的表现,当已知锚链接仅有10%时,0)(84)9)@30达到50%以上。2.针对现有研究中使用传统的相似性度量学习无法充分挖掘跨社交网络用户之间复杂隐含关系的问题,提出了基于神经张量网络的跨社交网络用户身份识别算法。首先,应用Random Walks对网络结构进行采样,生成节点序列,并用Skip-gram模型学习节点的特征表示,将社交网络结构空间映射到低维向量表示空间;然后,应用神经张量网络对跨社交网络用户之间的隐含关系进行建模;最后,通过多层感知机模型将用户身份识别问题转化为分类问题。实验结果表明,该算法在准确率、召回率和综合评价指标上都超过70%,均高于基准方法,其中在综合评价指标F1上有超过20%的提高。3.针对现有研究中使用浅层网络表示学习无法捕获社交网络全局结构信息的问题,以及现有研究忽略了用户与其邻居之间相互影响力差异性的问题,提出了基于图注意力网络的跨社交网络用户身份识别算法。该算法应用注意力机制对用户与其邻居之间相互影响力的差异性进行建模,通过堆叠graph attention layer对用户邻居节点的特征信息进行加权聚合,从而更新自身的特征表示。利用节点特征信息在网络中不断传播和聚合的过程捕获全局结构特征。实验结果表明,该算法在准确率、召回率和综合评价指标上的表现都有不同程度的提高,其中与NUIL模型相比,在准确率上有了10%左右的提升。