1.一种基于图神经网络GCN的动态社交用户对齐方法，其特征在于：该方法包括以下步骤：从多个社交网络中获取网络结构信息与锚节点用户的标签信息，并按照组合网络的规则将其融合为一个组合网络；

在社交网络平台随时时间变化时，按照时序截取t1至tn的网络快照，并将其构成组合网络Z1至Zn，并获取组合网络的邻接矩阵A1，A2，...An；

将A1输入GCN层获取整个网络的基本表示以及隐藏状态矩阵，为捕捉动态网络和提高模型训练效率，将两个tn与tn‑1时刻的矩阵之差作为GCN层的输入；

将GCN层得到的隐藏状态矩阵H1，ΔH2，...，ΔHn依次输入GRU层，通过GRU层得到一个存储网络的时间信息的隐藏状态矩阵hn；

通过全连接层对训练结果进行输出，在全连接层定义一个损失函数对节点进行二分分类，分类结果为1的节点为潜在锚节点，分类结果为0的节点为非锚定节点；

组合网络中分类为1的节点则为源网络和目标网络中的一对潜在锚节点，其中，该源网络和目标网络是属于现实中同一人的网络账号。

2.根据权利要求1所述的一种基于GCN的动态社交用户对齐方法，其特征在于：所述按照组合网络的规则将其融合为一个组合网络具体为：X Y Z

设源网络为X网络，目标网络为Y网络，组合网络为Z网络，G ，G ，G 分别为表示X、Y、Z网X X X X X Y Y Y Y络的无权无向图；G＝(V ,E)，V为网络X中节点集，E为网络X中的边集；G ＝(V ,E)，V 为Y Z Z Z Z Z网络Y中节点集，E 为网络Y中的边集；G ＝(V ,E)，V为网络Z中节点集，E 为网络Z中的边X Y集； 表示组合网络中节点viuj，分别由vi∈V ，uj∈V 组成；

X Y

如果(vi,vk)和(uj,ul)在G ，G 网络中均存在边，则在组合网络Z中存在边(viuj,vkul)。

3.根据权利要求1所述的一种基于GCN的动态社交用户对齐方法，其特征在于：所述GCN层的运算公式如下：Hn是第n层GCN生成的隐藏状态矩阵， 是邻接矩阵变形而来的正则化邻接矩阵，为正则化后的带自环邻接矩阵， 为带自环邻接矩阵， 为节点i的度，W是GCN层训练的权重矩阵，σ为ReLU激活函数。

4.根据权利要求1所述的一种基于GCN的动态社交用户对齐方法，其特征在于：所述动态网络中，网络随着时间动态变化，根据时间序列T1,T2...Tn，将网络X与网络Y分别划分为n个网络快照， 根据网络X与网络Y的快照生成组合网络Z， 得出组合网络Z的邻接矩阵A1,A2,...An；为捕捉动态网络和提高模型训练效率，首先，将A1输入GCN层获取整个网络的基本表示，将两个tn与tn‑1时刻的矩阵之差ΔAn＝An‑An‑1作为GCN层的输入；GCN层的矩阵输入为A1,ΔA2,ΔA3...ΔAn。

5.根据权利要求1所述的一种基于GCN的动态社交用户对齐方法，其特征在于：利用所述GRU层表示网络动态变化的时间信息，GRU层的公式如下：hn＝GRU(hn‑1,Hn)

hn为第n层GRU输出的隐藏状态矩阵，Hn是第n层GCN生成的隐藏状态矩阵。

6.根据权利要求5所述的一种基于GCN的动态社交用户对齐方法，其特征在于：所述GCN层的前向传播公式如下：rt＝σ(Wrxt+Urht‑1)

zt＝σ(Wzxt+Uzht‑1)

rt为GRU的重置门，zt为GRU的更新门，W和U均为权值矩阵，在训练中进行学习，xt为当前t时刻的输入，ht‑1为t‑1时刻的隐藏层状态，σ为sigmoid函数， 为重置门计算的隐藏状态，ht为更新门对隐藏的状态更新， 为哈达玛积，操作矩阵中对应的元素相乘。

7.根据权利要求1所述的一种基于GCN的动态社交用户对齐方法，其特征在于：通过所述全连接层对节点分类，分类为1的节点则为潜在锚定节点对，分类为0的节点则为非锚定节点，在全连接层定义的损失函数如下：f(hv)代表整个深度模型的函数，yv代表节点分类标签。