跨在线社交网络的用户档案匹配

在这项工作中，我们研究了由于跨在线社交网络（OSNs）的用户档案匹配带来的隐私风险，其中OSN用户的匿名档案利用关于他们的辅助信息被匹配到其真实身份。我们考虑用户公开分享的不同属性。此类属性既包括用户名这样的强标识符，也包括如用户在不同平台不同帖子间的兴趣或情感变化这样的弱标识符。我们研究使用这些属性的不同组合对档案匹配的影响，以广泛展示隐私威胁。所提出的框架主要依赖机器学习技术和优化算法。我们在三个数据集（Twitter - Foursquare、Google+ - Twitter和Flickr）上评估了所提出的框架，并展示了如何利用公开分享的属性和/或OSNs的底层图结构以高概率匹配不同OSNs中的用户档案。我们还表明，与依赖机器学习技术的现有最优方法相比，所提出的框架提供了显著更高的精度值。我们相信，这项工作是构建工具以帮助OSN用户理解其因公开分享而产生的隐私风险的有价值的一步。