跨网络节点关联是将不同在线社交网络(OSN)中属于同一实体用户的多个账户进行关联。它作为社交数据挖掘和网络安全的核心任务之一,已经成为现今的研究热点。然而相同的用户由于平台的异质特征或个人不明确的原因,在不同OSN平台中的表现可能不同,这就相应地带来了很多挑战。现有的跨网络节点关联方法受限于属性的伪造性、处理用户生成内容的时间复杂度,总体效果不理想。本文主要研究一种基于节点表示的在线社交网络的跨网络节点关联方法。从OSN网站账户中提取好友关系及用户属性信息,通过随机游走学习用户的潜在节点表征,来关联不同OSN平台上属于同一实体用户的多个账户。论文工作的主要研究内容如下:(1)提出了一种易扩展的综合多种信息的节点表示方法。利用用户的好友关系,个人简介,家乡信息,通过用户-用户游走和用户-属性游走刻画用户的特征,学习包含了网络结构和节点属性的节点向量表示,该表示能更准确全面地表示节点的特征,从而提升账户关联的准确度。(2)提出了一种用于大规模网络的关联算法。根据先验的锚节点对应的向量表示,求解转换矩阵将两个网络的节点转换到同一空间去,进而基于相似度寻找关联用户或候选集。该方法在准确度、MAP、F值相比普通的矩阵分解方法均有所提高。还归纳了基于网络融合的关联方法,并对这两种方法进行了实验对比和应用场景分析。最后描述了自学习迭代的框架,并实验验证了可行性。总体来说,本文主要研究怎样利用账户在社交网络中的结构信息及属性信息,将关系网络中的账户嵌入到向量空间,并据此对跨网络的节点进行关联。在不同规模的单网络数据集和真实的账户关联数据集上,分析了大量的实验数据,从而得出结论。本文提出的信息综合的节点表示和空间转换算法,在跨网络节点关联的场景下,相比其他矩阵分解和自编码的算法,提高了准确度。