近年来随着移动通信技术的飞速进步,社交媒体也迎来了爆发式的增长。人们将各种社交媒体网站用于不同目的,并且在使用这些社交媒体服务时在网络上留下了自己独特的“数字足迹”。对社交媒体中的用户数据进行挖掘能够获得很多有利于社交网络控制、管理等方面的价值信息。然而,社交媒体数据通常具有离散、碎片化的特点,导致对单一类型的社交媒体数据进行挖掘效果不佳,因此若能通过跨社交媒体分析的手段整合来自多个社交媒体属于同一个用户实体的数据,将能更好地为社交网络的控制、管理服务。跨社交媒体的账户匹配方法能够识别相同用户在不同社交媒体的账号,是跨社交媒体数据分析的基础。而传统的利用分类模型判断账户是否属于同一个人物实体的方法忽视了数据集的PU(Positive and Unlabeled,PU)问题,训练出来的模型泛化能力差,再加上提取账户特征的方法面临特征稀疏以及难以有效利用社交关系特征的困境,导致传统方法无法在实际社交网络数据分析中广泛应用。本文针对上述问题研究实用化的跨社交媒体账户匹配方法。通过社交媒体上公共的少量用户信息,从海量的账户数据中快速发现属于同一人物实体的社交媒体账户。为解决账户公共属性稀疏问题,本文从用户名和账户好友关系这两个跨平台公有的属性提取特征,并在以下两个方面取得成果:(1)提出基于用户名特征的账户快速匹配算法。该方法从两个待匹配账户的多个用户名提取相对特征,使用分类器判断账户是否匹配;并提出一种主动学习的方法来改良数据集,解决数据集PU问题,通过这种方法提高了分类器精确率以及泛化能力;最后,通过融合社交关系获得待匹配账户对,减少账户匹配过程中的计算量,实现快速账户匹配。该方法准确率高,并且适用于大多数社交媒体平台。(2)提出利用网络表征学习技术提取社交关系特征,解决账户社交关系特征抽取的问题。采用基于随机游走的网络表征学习技术学习账户之间连接关系的潜在特征,将账户向量化,同时利用核技巧解决不同网络空间中节点向量的映射问题,将向量映射和相似度计算两个过程融合到分类器模型之下。该方法召回率高,可以通过并行化的实现方式应用在大规模数据集中,可伸缩性强。