（四川大学网络空间安全学院 四川 610065）

随着社交网络的发展以及其多样性，社交网络活跃用户数量逐年递增，根据Statista 的统计报告显示（https://www.statista.com/statistics/272014/global-social-networks-ranked-by-number-of-users/），截至2020 年10 月，Facebook 活跃用户数达27.01 亿，Twitter 活跃用户数达3.53 亿。出于不同的目的，用户可能会使用多个社交网络，使用Facebook 与生活中的朋友联系，使用Twitter 发布自己的兴趣爱好，使用LinkedIn 来求职以及获取职业信息，并与工作上的同事联系。如果能够识别出不同社交网络平台中具有相同身份的用户，就可以整合出该用户较为全面的个人信息，以及绘制出其较为完整的好友关系，从而能从中挖掘出一些隐藏的信息。

商业销售角度上，网购零售平台可以利用跨社交网络用户识别，如网络购物网站和社交网络关联识别得到用户的喜好以及购买倾向，进而发掘潜在客户；信息安全角度上，用户就可以注意这些属性以及好友关系可能会泄露其个人隐私，同时，也让社交平台知道其在个人信息安全方面存在的隐患。

在现实世界中，对于同一实体有许多种描述方式，并且大多数情况下，这些实体信息是彼此分离，没有任何联系的，因此就有研究人员提出如何有效将不同信息源的数据融合在一起也成了一个研究点。广泛学习（broad learning）也就应运而生，最初它被提出主要是用于将不同种类的大规模数据进行融合，再对这些融合数据进行数据挖掘与分析[1]。跨社交网络用户识别实际上也用到不少广泛学习中的概念和方法，如多源社交网络融合，社交网络对齐等。……