1.融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于包括如下步骤：

步骤1.给定社交网络SMNA和社交网络SMNB，并通过人工标注获取少量种子用户对集合MPprior；

步骤2.利用用户的连接关系使用网络嵌入方法学习得到社交网络SMNA和社交网络SMNB中每个节点的结构嵌入向量，利用种子用户对集合MPprior训练多层感知机模型，作为两个社交网络间节点的结构嵌入向量空间的映射函数；

步骤3.从种子用户对集合MPprior中随机选取一对种子用户c，利用该对种子用户c从两个社交网络中选取候选配对用户对集合；

步骤4.针对候选配对用户对集合中的每对候选配对用户对，利用用户名、毕业院校和地理位置以及个人简介的特征，通过Levenshtein距离和简单字符串匹配得到候选配对用户对的用户属性匹配度；

步骤5.针对候选配对用户对集合中的每对候选配对用户对，根据训练好的多层感知机模型，将社交网络SMNA用户的嵌入特征空间映射到社交网络SMNB用户的嵌入特征空间，再计B

算社交网络SMNA用户的映射向量与社交网络SMN 用户的嵌入向量之间的欧式距离作为两用户的朋友匹配度；

步骤6.利用用户属性匹配度和朋友匹配度的匹配准则得到匹配用户对，并将匹配用户对加入到匹配用户对集合MP中；

步骤7.将步骤3中选取的一对种子用户c从种子用户对集合MPprior中删除，并将匹配用户对加入种子用户对集合MPprior，返回步骤3，直到种子用户对集合MPprior为空；

步骤2的具体实现过程如下：

2‑1.针对社交网络SMNA中用户的连接关系对社交网络SMNA进行嵌入学习；给定节点UAj和节点UAi的嵌入向量分别为zAj和zAi，按照下式计算社交网络SMNA中节点UAj和节点UAi间存在边(UAi,UAj)的概率为：

基于此，社交网络SMNA嵌入学习的目标函数：其中，σ(x)代表sigmoid函数，EA为社交网络SMNA中用户关系；

2‑2.针对社交网络SMNB中用户的连接关系对社交网络SMNB进行嵌入学习；给定节点UBi和UBj的嵌入向量分别为zBi和zBj，按照下式计算社交网络SMNB中节点UBi和UBj间存在边的概率为：

基于此，社交网络SMNB嵌入学习的目标函数为：其中，EB为社交网络SMNB中边的用户关系；

2‑3.综合两个网络的目标函数得到网络嵌入学习的最终目标函数：为了学习到嵌入向量，需要对最终目标函数O进行最小化；采用随机梯度下降法分别对O1和O2进行最小化求解；同时采用负采样方法解决目标函数求解过程中的耗时较大问题，对于每条边(UAi,UAj)，重新根据下式计算logp(UAj,UAi)：其中， 对边(UAi,UAj)建模， 对负采样边(UAi,UAk)建模，N代表负采样边的个数，设定N＝5；针对负采样边的生成，即在选取了UAi后，如何选取另外一个节点形成负采样边，采用目前通用的负采样方法确定噪声分布pn(U)如下：其中，dU代表节点U的度；基于噪声分布pn(U)，采样N个节点与节点UAi构成N条负采样边；按照同样方法计算logp(UBj,UBi)：

2‑4.学习到所有节点的嵌入向量后，根据种子用户对的嵌入向量，学习SMNA和SMNB中节点的结构嵌入向量之间的映射函数 给定zAi∈ZA，映射函数 将向量zAi映射到向量空间ZB；其中，θ代表映射函数的参数集合；利用多层感知器模型构建非线性映射函数获得向量空间ZA到向量空间ZB的映射关系；设计的多层感知器模型包括输入层、隐藏层和输出层；隐藏层单元个数设定为2*d，d为输入层个数，即向量zAi的维度；将种子用户对的结构嵌入向量作为训练数据，对MLP模型进行训练。

2.根据权利要求1所述的融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于步骤1具体实现如下：

1‑1.给定的社交网络SMNA和社交网络SMNB，分别表示为SMNA＝{UA,EA}，SMNB＝{UB,EB}；

UA表示社交网络SMNA的用户实体集合，EA为社交网络SMNA的用户关系，UB表示社交网络SMNB的用户实体集合，EB为社交网络SMNB的用户关系，UAi代表用户实体集合UA中的第i个用户，UBj代表用户实体集合UB中的第j个用户；若用户UAi和用户UBj在现实生活中属于同一个体，则(UAi,UBj)∈MP,MP为匹配用户对集合；

1‑2.通过人工标注段获取少量种子用户对集合MPprior，其中种子用户对集合MPprior是已知的匹配用户对。

3.根据权利要求2所述的融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于步骤3的具体实现过程如下：设UAi和UBj分别为两个社交网络中的先验种子用户，即UAi和UBj代表不同网络中的同一用户；如果满足UAk∈friend(UAi)，UBl∈friend(UBj)，则(UAk,UBl)属于候选配对用户对CMP，其中，friend(UAi)＝{UAj|(UAi,UAj)∈EA}。

4.根据权利要求3所述的融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于步骤4具体实现过程如下：

4‑1.针对用户名、个人简介的信息，将其看作字符串并采用Levenshtein距离进行度量；将两个用户名U1和U2之间的用户名相似度Simu(U1,U2)按照下式进行计算：其中，lev(U1,U2)表示用户U1和U2之间的Levenshtein距离，l(U1)、l(U2)分别表示用户名U1和U2的字符数；

4‑2.针对毕业院校和地理位置的信息，若相同的院校和地理位置则匹配度为1，否则为

0。

5.根据权利要求4所述的融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于步骤5具体实现过程如下：

5‑1.针对候选配对用户对中的每对用户对，根据训练好的MLP模型，通过映射函数将向量zAi映射到向量空间ZB，再计算 和向量zBj之间的距离得到用户UAi和用户UBj的朋友匹配度：

6.根据权利要求5所述的融合用户特征和嵌入学习的跨社交网络用户身份关联方法，其特征在于步骤6具体实现过程如下：针对候选配对用户对集合中的候选配对用户对，计算每对候选配对用户对中两用户的匹配分值，选取匹配分值最大的候选配对用户对为匹配用户对，并将其加入到集合MP中；匹配分值Mat_score计算如下：k

Mat_score(UAi,UBj)＝(1‑α)R(UAi,UBj)+αf(F_Matchij)  (10)其中，Matchk(UAi,UBj)表示为用户UAi和用户UBj在第k种匹配因子上的匹配度，1≤k≤|K|，k表示规则使用的匹配因子种类标记，K表示所有的属性匹配因子的种类集合，|K|代表匹配因子种类的总个数，参数α用于平衡属性匹配值和朋友匹配度，wk代表第k种匹配因子的权重；根据不同的数据集调整α和wk的值。