社交网络在当今社会已经成为人们生活中的主要社交方式,并且逐渐渗透到人们生活中的各个方面。随着互联网的快速发展,出现了多种社交网络平台,比如新浪微博、Twitter、知乎等。不同的社交网络提供不同的服务,利用新浪微博可以随时记录个人的感受见闻,体会陌生人的顿悟,并且可以结交新友,而通过知乎问答用户可以解决自己遇到的一些问题,该平台中包含了用户所关注领域的专业知识。用户为了能够更好的享受不同社交网络的各种服务,往往会拥有多个社交网络账号。这种现象造成了用户信息的分散化,使得社交网络的分析遇到了困难。虚拟身份关联研究就是为了提出一种能够将不同社交网络平台中属于同一现实人的虚拟账号身份关联在一起的方法。目前在这个领域中使用的方法主要可以归纳为两方面:基于用户名关联和基于文本内容的关联。但是大部分用户通常不会在不同的平台上注册相同或相似的用户名,因此基于用户名关联的方法具有很大的不确定性。基于文本内容关联的方法往往是通过抽取文本中大量的特征来构造用户画像进行分析,但是传统的特征提取是一个繁琐的过程,而且通过传统方法提取到的特征并不一定能够具有很强的表现力。通过深度学习的处理,不需要进行人工特征选择,可以通过自学习的方法就可以得到表达力很强的特征。本文基于深度学习的方法对虚拟身份关联进行深入的研究,主要工作如下:1,通过分析目前常用的基于文本关联的技术,得出传统的人工特征抽取的缺陷,从而得出使用深度学习方法的原因。2,介绍CNN,RNN和LSTM等深度学习框架,从而引出基于深度学习的关联研究应该解决的问题。3,考虑到要对用户在社交网络平台中发表的内容进行分析,需要将文本转换为向量表示。为了能够考虑到文本中的语义信息,本文提出了一种计算中文语义词向量表示的模型CWSR。4,通过CWSR得到中文语义词向量再结合用户的个人信息,本文提出了计算用户身份的向量表示模型Identity2Vec。5,本文通过Keras深度学习包进行模型的构建,对模型进行有效性分析,并且与常用的技术进行了对比实验。