推文地理位置隐私的侵犯：一种基于图卷积神经网络的方法
社会与信息网络
2019-03-28 v1
摘要
在线社交网络（OSNs）获得的巨大 popularity 引发了人们对社交媒体平台中用户隐私的自然担忧。尽管 OSNs 中的用户可通过刻意决定分享内容来调整其隐私，但与社交网络内其他个体的交互可能暴露并最终泄露敏感信息。在所有可共享的个人数据中，地理位置尤为有趣。一方面，用户倾向于认为其当前位置是非常敏感的信息，大多数时候避免分享。另一方面，服务提供商有兴趣提取并利用地理标记数据以提供定制服务。本工作中，我们考虑仅利用 OSN 中其他社交联系人的可用信息来推断用户当前位置的问题。为此，我们采用基于图的深度学习架构，在考虑的时间段内学习用户已知与未知地理位置之间的模型。作为案例研究，我们考虑 Twitter，其中用户生成内容（即推文）可嵌入用户当前位置。我们的实验验证了该方法，并进一步确认了 OSNs 中数据隐私相关的担忧。结果显示存在临界规模现象，即若至少 10% 的用户为其推文提供地理标签，则所有剩余用户的隐私将严重面临风险。事实上，我们的方法仅依靠小部分可用信息便能以低于 1km 的精度定位几乎 50% 的推文。
引用
@article{arxiv.1903.11206,
title = {Infringement of Tweets Geo-Location Privacy: an approach based on Graph Convolutional Neural Networks},
author = {Luca Luceri and Davide Andreoletti and Silvia Giordano},
journal= {arXiv preprint arXiv:1903.11206},
year = {2019}
}