1.一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，具体包括以下步骤：从多个不同的社交网络平台中获取同一用户，称为锚用户，并将与其存在社交关系的用户作为邻居用户，并将每个用户视为一个节点，定义社交网络中用户关注和被关注的概率模型；

对每个社交网络中的锚节点增加两条边，分别与两个虚节点彼此相连，虚节点也彼此相连，同时，虚节点也带有锚节点标签信息，也为锚用户；

利用加入虚节点之后的网络在图表示算法中进行向量表示计算，获取到稀疏的网络结构；

定义微调虚节点的表达式，通过聚合虚节点对应的锚节点周围节点的信息，再乘上权重矩阵，更新虚节点向量的位置；

在每一轮迭代中，对其他训练社交网络数据集中同样加入虚节点，并使用元学习对其他训练社交网络数据集中当前迭代下更新权重矩阵，并将更新后的权重矩阵，放入测试集中，保存此次计算中的损失；

进行K次迭代后，进行梯度下降处理，利用在训练集中获得的先验知识，得到的权重矩阵再做一次更新，得到当前迭代下测试集的最佳权重矩阵，并对虚节点向量进行更新；

更新后的虚节点向量加入对齐计算中，虚节点的向量能够使向整个社交网络在低维空间种的结构变得更稀疏，根据更新后的初始网络表示模型对待更新的局部网络中的所有用户进行用户对齐。

2.根据权利要求1所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，用户关系概率模型的构建公式如下：其中，p1(vj|vi)表示用户vi关注用户vj的概率；p2(vi|vj)表示用户vj被用户vi关注的概率； 表示用户vi本身的向量， 表示该用户vi作为输入上下文时的向量，表示该用户vi作为输出上下文时的向量，V表示社交网络平台用户集合，i,j,k∈|V|，|V|表示节点的集合。

3.根据权利要求1所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，每个锚节点添加了两个带有训练锚节点信息的虚节点，虚节点会对锚节点和锚节点周围的邻居向量表示产生变化，其中加虚节点前表示为：加虚节点后表示为：

其中，Φ(a)表示锚节点a在低维空间中的向量表示，Φ(b))表示锚节点a的二阶邻居b在低维空间中的向量表示，Φ(c)表示锚节点a的一阶邻居c在低维空间中的向量表示， 代表节点和节点之间应该是一阶邻居关系， 代表节点和节点之间应该是二阶邻居关系，p1和p2代表锚节点连接的两个虚节点。

4.根据权利要求1所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，若虚节点为 则更新虚节点向量的位置的过程表示为：其中，FPi(vi,W)为虚节点的微调向量。

5.根据权利要求4所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在

0 1 n

于，若更新虚节点的权重矩阵为W＝{w ,w ,...,w}，虚节点的微调向量FPi(vi,W)表示为：其中，ui是锚节点，uj是锚节点ui对应的邻居，vi为当前采样的中心节点，nei(v)表示节点v的一阶邻居节点集合，N表示节点v的一阶邻居总数，W为权重矩阵，g(.)为激活函数。

6.根据权利要求5所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，权重矩阵W表示为：其中，Us指代的是训练集中不同的子任务S＝{S1,S2,...,SK}，η1为学习率， f为梯度，f(Us)为区分开锚节点和周围节点的损失函数。

7.根据权利要求6所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，区分开锚节点和周围节点的损失函数f(Us)表示为：其中，U代表所有节点向量的集合，Us特指训练集子任务中节点向量的集合；当跨社交网络中是同一个锚节点的时候，label为1，否则label为‑1； 为虚节点向量，每个锚节点与两个锚节点相连，第一个锚节点的n为1，第二个锚节点的n为2；m为采样的节点个数，Pi为虚节点向量的集合，uj'为负采样过程中随机采样节点对应的向量。

8.根据权利要求1所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，测试集的总损失表示为：其中，Lquery为测试集的总损失，f(Us)n表示每次计算过程中的f(Us)保存下来进行求和得到的值。

9.根据权利要求8所述的一种基于虚节点和元学习改进社交网络对齐方法，其特征在于，根据得到测试集的总损失Lquery，进行梯度下降，利用对训练集进行梯度下降，并根据梯度下降得到的先验知识对权重矩阵再做一次更新，具体过程表示为：其中，η2是元学习更新所需要的学习率。

10.一种基于虚节点和元学习改进社交网络对齐系统，其特征在于，用于实现权利要求

1所述的一种基于虚节点和元学习改进社交网络对齐方法，所述系统包括：平台接口API，用于获取社交网络平台中的每个用户的社交关系；

模型建模模块，用于构造出社交网络平台的图网络，将社交网络用户作为图节点，将存在社交关系的两邻居用户作为图边；

添加虚节点模块，用于对每个社交网络中的锚节点，添加新的虚节点，每个锚节点与两个虚节点相连；

元学习训练集获取先验知识模块，用于通过训练集的先验知识训练，然后更新锚节点对应的虚节点向量，然后进行K次更新权重矩阵；

元学习测试集更新当前虚节点向量，用于上一步得到训练集的先验知识，作为测试集的初始值进行计算，更新虚节点向量；

用户对齐模块，用于获取不同社交网络平台中的用户相似程度，对待对齐的局部网络中的所有用户进行用户对齐。