El alineamiento de redes tiene como objetivo identificar la correspondencia de nodos entre dos o más redes. Es la piedra angular de muchas tareas de minería de redes, como recomendaciones entre plataformas y agregación de datos entre redes. Recientemente, con el desarrollo de técnicas de aprendizaje de representación de redes, los investigadores han propuesto muchos métodos de alineamiento de redes basados en incrustaciones. El efecto es mejor que los métodos tradicionales. Sin embargo, siguen existiendo varios problemas y desafíos para las tareas de alineamiento de redes, como la falta de datos etiquetados, el mapeo a través de espacios de incrustación de redes y la eficiencia computacional. Basándonos en la red neuronal gráfica (GNN), proponemos el marco URNA (alineamiento de redes rápido no supervisado) para lograr un equilibrio efectivo entre precisión y eficiencia. Hay dos fases: entrenamiento del modelo y alineamiento de redes. Explotamos redes gruesas para acelerar el entrenamiento de GNN después de comprimir las redes originales en redes pequeñas. También utilizamos el intercambio de parámetros para garantizar la consistencia de los espacios de incrustación y una función de pérdida no supervisada para actualizar los parámetros. En la fase de alineamiento de redes, primero utilizamos una propagación hacia adelante de una sola pasada para aprender las incrustaciones de nodos de las redes originales, y luego utilizamos incrustaciones de múltiples órdenes a partir de las salidas de todas las capas convolucionales para calcular la similitud de nodos entre las dos redes a través del producto interno de vectores para el alineamiento. Los resultados experimentales en conjuntos de datos del mundo real muestran que el método propuesto puede reducir significativamente el tiempo de ejecución y los requisitos de memoria mientras garantiza el rendimiento del alineamiento.