伴随着移动网络技术的发展,社交媒体用户数量迎来了爆炸式增长,社交媒体已然成为存储用户信息的庞大数据库。社交媒体用户识别是指对用户的账号信息、属性信息、心理状况和行为习惯等相关内容进行识别。出于不同的社交目的,同一用户通常会在不同的社交应用中注册多个账号,并且有可能提供不同的身份信息。通过社交媒体用户识别技术匹配不同平台的用户账号,构建全面的用户信息库,从而为商品推荐、信息检索和网络空间监管等下游应用提供有效支撑。同时出于保护个人隐私的考虑,用户往往会选择隐藏个人信息,这导致用户某些有价值的属性信息难以直接获取。通过社交媒体用户识别技术对用户缺失的属性信息进行推测,能够进一步完善用户信息库,从而更加全面地了解用户。本文针对社交媒体用户识别问题,从跨社交媒体的用户账号匹配和社交媒体用户属性识别两方面开展研究,主要贡献包括如下两方面内容:(1)提出了一种基于维特比算法的社交媒体账号匹配方法。传统的账号匹配方法存在着匹配效率低下和多平台账号匹配准确率低的问题。本论文通过以下三个步骤解决了传统方法存在的问题。首先,该方法基于账号用户名相似性构建候选匹配账号集合,通过缩小候选匹配账号集合的大小解决了传统方法匹配效率低下的问题。其次,该方法根据账号的注册信息计算账号之间的相似度并构建匹配网络。最后,使用维特比算法在匹配网络中找到最佳匹配账号实现了多平台账号匹配,与传统方法相比较,本论文方法的多平台匹配准确率有所提高。(2)提出了一种基于图嵌入的社交媒体用户属性识别方法。传统的用户属性识别方法大多采用有监督学习的方式,其属性识别准确率较低且严重依赖于标记数据的数量和质量。本论文通过以下三个步骤解决了传统方法存在的问题。首先,该方法基于文本主题和维基百科实体构建异质网络,通过在异质网络中引入不同类型的节点丰富了异质网络的语义信息。其次,该方法使用图嵌入算法获得异质网络中用户节点的嵌入表示。最后,基于用户节点的嵌入向量对社交媒体用户属性进行识别。本论文方法是一种半监督学习方法,其属性识别准确率受标记数据影响较小,与传统的方法相比较,该方法使用较少的训练数据就取得了较高的准确率,解决了传统方法属性识别准确率严重依赖于标记数据的问题。