1.一种跨社交网络用户对齐方法，其特征在于，具体包括以下步骤：

S1：从两个社交网络中获取用户节点，将两个社交网络中已经确定为同一用户的用户节点称为anchor节点，还未确定的用户节点称为非anchor节点；

S2：将anchor节点初始化为特异性的标签，将非anchor节点初始化为0标签；

S3：给每个非anchor节点分配一个元组，所述元组包括节点自身的标签和一个标签列表；

S4：每个非anchor节点开始聚合邻居节点的标签，当聚合到0标签，则忽略，当聚合到特异性标签，则添加到非anchor节点的元组的标签列表中，聚合完成后节点的元组形成一个聚合向量；

S5：根据聚合向量计算非anchor节点的标签相似度，选取相似度高的标签作为非anchor节点的标签信息；

S6：重复S4‑S5直到非anchor节点的元组中不再有新的标签产生；

S7：将两个不同的社交网络合并，不再有新的标签产生的非anchor节点进行向量的表示学习，并更新向量表示；

S8：根据更新后的向量表示计算非anchor节点的相似度，将相似度最高的两个非anchor节点对齐。

2.根据权利要求1所述的一种跨社交网络用户对齐方法，其特征在于，在每一轮非anchor节点聚合到邻居节点的标签后，得到邻居节点之间的好友关系或相同关注关系的标签信息，成为新的邻居节点，所述邻居节点表示节点之间有好友关系或相同关注关系的节点。

3.根据权利要求1所述的一种跨社交网络用户对齐方法，其特征在于，根据聚合向量计算非anchor节点的标签相似度，其计算方式包括：sim

其中，WL 表示跨网络非anchor节点的标签相似度； 表示源网络的聚合标签表示向量； 表示目标网络的聚合标签表示向量；T表示向量的转置操作；||·||2表示正则化操作。

4.根据权利要求1所述的一种跨社交网络用户对齐方法，其特征在于，向量的表示学习具体包括：给每一个用户节点随机初始化为一个向量，通过损失函数使向量按照减小损失的方向优化，进行向量更新。

5.根据权利要求4所述的一种跨社交网络用户对齐方法，其特征在于，所述损失函数表达式为：其中， 表示源网络中的第i个节点和目标网络中的第j个节点的损失函数；

与 分别表示源网络的i节点和目标网络的j节点的向量表示，Lij表示i节点与j节点在聚合过程中是否拥有相同的映射标签， 表示源网络的i节点和目标网络的j节点的向量表示的余弦相似度函数；label()表示获取节点当前标签的函数。

6.根据权利要求1所述的一种跨社交网络用户对齐方法，其特征在于，利用损失函数拉近具有相同标签信息的非anchor节点的向量表示，其表达式包括：其中， 表示源网络中的第i个节点和目标网络中的第j个节点的上下文损失函数； 表示源网络与目标网络合并后的社交网络中第i个节点的表示向量； 表示源网络与目标网络合并后的社交网络中第j个节点的表示向量； 表示合并后的网络中第j个邻居节点的输入节点的表示向量；v″i代表第i个邻居节点的输出节点的表示向量；Cij代表j节点是否为i节点的邻居节点， 1代表是，0代表否；

context(i)为i节点的邻居节点的集合；T为向量的转置操作；logσ()表示基于sigmoid函数的激活函数。

7.根据权利要求1所述的一种跨社交网络用户对齐方法，其特征在于，根据更新后的的向量表示计算非anchor节点的相似度，包括：其中，rel(i,j)表示源网络中的第i个节点和目标网络中的第j个节点的节点相似度；

为源网络的第i个节点向量表示的第p维度的值； 为目标网络的第j个节点的向量表示的第p维度的值；d为向量的维度。