近年来,随着越来越多的社交平台的诞生和普及,人们日益活跃在各种虚拟社交网站中。由于不同的社交网络会展现不同的功能性,用户在不同社交网络中的表现往往不尽相同。为了整合多个社交网络的用户数据,进而获取用户更全面的用户画像,一个基本且关键的任务是在不同的社交网络中发现隶属于同一自然人的用户账号,其对应的问题被称为社交网络用户对齐问题。跨社交网络用户对齐为整合多源数据提供了可行的方案,可以协助众多社交网络应用,为社会网络的探索研究提供便利。本文提出一种基于网络嵌入表示的动态社交网络用户对齐算法,并同时利用动态社交网络的结构和属性特征实现精准的用户对齐。动态性是社交网络的一个重要属性,然而这一重要维度在社交网络对齐问题中尚未被有效利用。结构特征和属性特征是社交网络中两个重要的特征,提供了互补和全面的社交网络信息。本文首先挖掘动态社交网络的结构和属性特征,而后利用深度自编码、循环神经网络和注意力机制捕捉社交网络用户的动态行为模式并通过极大似然估计的特征融合方法对社交网络用户进行更全面更精准的刻画,最后通过度量学习和子空间学习方法,以半监督的学习方式实现动态社交网络的用户对齐。整个算法框架实现端到端的联合优化。实验结果表明,本文提出的动态社交网络用户对齐算法可以有效利用社交网络的动态性,并有效融合社交网络结构和属性特征,得到优于业界领先的用户对齐方法的对齐效果。