随着网络技术的日益发展，在线社交网络平台如微博、Twitter、Facebook等，已经成为人们生活中不可缺少的一部分。人们在社交网络平台上分享大量信息，并且进行社交活动。研究表明，人们通常同时使用多个在线社交网络平台。在多个在线社交网络平台间进行用户身份映射研究，对于增强推荐系统效果和网络监管具有重要作用。所以，跨社交网络平台的用户身份映射已经成为了一个热门的研究方向。

现有工作主要存在用户信息利用不完整、框架及算法不灵活等问题。例如，现有研究工作仅仅利用用户信息中的文本信息，也有一些研究只针对社交网络中的结构信息。同时，很多研究的框架只能针对特定的情况，不能应对用户信息发生变化时的状况。针对这些问题，我们在已有工作的基础上，本文基于机器学习和文本挖掘等最新技术，提出了几种用户身份映射的新的研究方法。同时，针对在实验中数据集中存在的数据随时间变化和数据集字段不完整的问题，本文提出了对应的数据源优化算法。主要内容如下：
1.针对现有方法只考虑文本信息或结构信息，不能全面分析用户行为模式的问题，提出了基于结合文本与结构信息的跨平台用户身份映射方法。本研究基于包括用户名、位置信息、用户描述和好友网络的文本信息和结构信息的相似度度量，针对每一种用户信息，分析对比最适合的信息表示与相似度度量算法，并深入分析每一种用户信息在用户身份映射框架中的作用，完成跨平台用户身份映射。同时，提出了可供研究者调整信息权重的灵活框架，允许用户与系统进行交互。最后，在实际的数据集上，验证了用户身份映射框架的有效性。
2.提出了基于改进分类器模型的映射方法扩展研究。本研究使用word2vec、soundex算法、VMN算法等特征提取算法从用户名、用户位置信息、描述信息和好友网络等用户信息中提取特征。本研究将用户身份映射问题转化为二分类问题，使用逻辑回归、随机森林等机器学习和深度神经网络的方法，完成跨社交网络平台的用户身份映射研究。实验中使用使用F1值作为实验效果度量，在实际数据集上的实验结果验证了改进模型用户映射方法的有效性。
3.提出了面向动态异构用户信息优化身份映射的研究。用户在社交网络上的行为是动态的，所以用户信息也可能发生动态变化。因此，为了捕捉动态变化的用户信息及优化数据集中的缺失信息，本框架首先利用word2vec和DeepWalk将用户信息映射到低维空间，基于后期融合方法和相似度度量方法，整合不同的用户特征，对数据源进行补全和优化。在已有身份映射模型上进行的对比实验证明了，本框架能够及时补充与优化数据源，成功优化动态的用户数据源，提高身份映射模型的性能。