近年来,随着社交网络服务平台的日益增加,用户可以选择性地同时参与多个社交网络并享受其中的服务,社交网络的应用服务类型众多,例如朋友推荐。为了更好地实现服务,需要建立不同社交网络中的虚拟用户与现实世界中用户的映射关系,即用户锚链接预测问题。由于用户特征属性的提取质量会影响锚链接预测的效果,因此本文为了更好地解决锚链接预测问题,对嵌入算法进行研究,并提出面向稀疏图的Deep Walk嵌入算法和基于增量策略的SDNE算法。首先,针对经典Deep Walk嵌入算法在处理稀疏图时存在的性能瓶颈问题,本文提出面向稀疏图的Deep Walk图嵌入算法。算法首先在对图进行统计分析的基础上对参与随机游走的节点进行筛选,然后采用广度优先策略进行随机游走,最后通过训练得到节点的嵌入向量,利用该嵌入向量训练用户锚链接预测模型。实验结果表明,本文提出的面向稀疏图的Deep Walk图嵌入算法所得到的用户特征能够有效提高用户锚链接预测算法的性能。其次,由于以SDNE为代表的嵌入算法大多是针对某一时刻的图快照上进行嵌入,一旦社交网络结构发生变化,该类嵌入算法需要重新对当前时刻的整个图进行嵌入,产生较大的计算开销。针对上述问题,本文提出了基于增量策略的SDNE嵌入算法,在SDNE算法中加入增量策略,当图结构发生改变时,以上一时刻图的嵌入为基础,对新增节点和受影响较大的原始节点进行嵌入。实验表明,本文提出的基于增量策略的SDNE嵌入算法可以在保持SDNE算法性能的前提下,降低SDNE算法对增量部分进行嵌入产生的时间开销。