El alineamiento de redes (NA) ofrece una forma integral de construir asociaciones entre diferentes redes identificando nodos compartidos. Aunque la mayoría de los métodos actuales de NA se basan en la suposición de consistencia topológica, que postula que los nodos compartidos en diferentes redes suelen tener estructuras o vecinos locales similares, argumentamos que los nodos ancla, que desempeñan un papel fundamental en NA, enfrentan un escenario más desafiante que a menudo se pasa por alto. En este artículo, realizamos un extenso análisis estadístico entre redes para investigar el estado de conexión de pares de nodos ancla etiquetados y los categorizamos en cuatro situaciones. Basándonos en nuestro análisis, proponemos un marco de alineación de redes de extremo a extremo que utiliza representaciones de nodos como una distribución en lugar de un vector puntual para manejar mejor la diversidad estructural de las redes. Para mitigar la influencia de nodos específicos, introducimos un mecanismo de máscara durante el proceso de aprendizaje de representaciones. Además, utilizamos el meta-aprendizaje para generalizar la información aprendida sobre pares de nodos ancla etiquetados a otros pares de nodos. Finalmente, realizamos experimentos exhaustivos en conjuntos de datos tanto del mundo real como sintéticos para confirmar la eficacia de nuestro método propuesto. Los resultados experimentales demuestran que el modelo propuesto supera significativamente a los métodos de vanguardia.