1.一种基于结构‑表示相似度的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：分别从作为源网络Gs的社交网络和作为目标网络Gt的社交网络获取用户节点，构建图网络结构，将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：学习源网络Gs和目标网络Gt中每个节点的表示、节点邻居信息、节点对共享的anchor信息，获得节点的向量表示；

S3：将节点的向量表示和节点的邻接特征拼接在一起作为节点特征，将节点特征输入节点对判断器，节点节点对判断器判断节点实用的相似度函数；

S4、根据节点的相似度函数对两个网络的节点进行对齐。

2.根据权利要求1所述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，构建图网络的过程具体包括以下步骤：其中，G*表示一个网络，当*＝s表示源网络，当*＝t表示目标网络；addNode(i)表示向图中加入一个节点i的函数，addEdge(i,j)表示向图中加入一条边的函数；Ne(j)表示节点j的邻居；A*[i,j]表示一个网络中节点i和节点j的邻接关系。

3.根据权利要求1所述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，使用神经网络学习源网络Gs和目标网络Gt中每个节点的表示、节点邻居信息、节点对共享的anchor信息，包括：其中，f(A*,X*；W*)表示通过邻接矩阵、特征矩阵及参数学习到每个节点的表示，A*表示一个网络中的邻接矩阵，当*＝s表示源网络，当*＝t表示目标网络；X*表示一个网络中的节点特征，W*表示一个网络中的需要学习的网络参数； I表示单位矩阵， 表示节点度矩阵。

4.根据权利要求1所述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，将节点的向量表示和节点的邻接特征拼接在一起作为判别器的节点特征，表示为：

1,2,3

其中，concat表示拼接函数，N ()表示分别计算一个节点的一阶、二阶、三阶度数，

1,2,3

sharedAnchor (,)表示两个节点对共享的一阶、二阶、三阶anchor数，表示源网络Gs中的一个节点u对应的向量表示，表示目标网络Gt中的一个节点v对应的向量表示。

5.根据权利要求4所述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，在进行训练时，计算历史数据结构相似度和嵌入向量相似度的排序值，相似度越大排序值越小，历史数据的标签为排序值最小对应的相似度，标签的计算包括：label(u，v)＝min(sort)ES(u，v))，sort)SS(u，v)))其中，label(u,v)表示源网络Gs中的一个节点u与目标网络Gt中的一个节点v对应的相似度标签，min表示取最小值，sort表示节点对相似度在整个网络中的排序；ES(u,v)表示源网络Gs中的一个节点u与目标网络Gt中的一个节点v之间的嵌入向量相似度；SS(u,v)表示源网络Gs中的一个节点u与目标网络Gt中的一个节点v之间的结构相似度。

6.根据权利要求5述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，待对齐节点对的词嵌入相似性表示为：其中，|·|表示求模长。

7.根据权利要求5述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，待对齐节点对的结构相似性表示为：其中， 表示节点u在源网络Gs中的邻居； 表示节点v在目标网络Gt中的邻居；

Vs为Anchor节点的集合；Tu为将源网络节点u的邻居与Anchor集合相交的节点映射到目标网络中产生的节点集合；Xu是源网络节点u的邻居除掉Anchor节点与映射函数Tu的并集；Yv表示节点v在目标网络Gt中的邻居；α、β为平衡因子，π(x)为映射函数；|·|表示求模长。

8.根据权利要求1所述的一种基于结构‑表示相似度的跨社交网络用户对齐方法，其特征在于，节点对判别器包括四层结构，第一层结构包括维度为265×256的线性变换层和维度为256的标准化层，第二层结构包括维度为256×64的线性变换层和维度为64的标准化层，第三层结构包括维度为64×16的线性变换层和维度为16的标准化层，第三四结构包括维度为16×2的线性变换层。