全球信息化加速,互联网改变了人们的生活方式,在线社交网络取代了传统的交互方式,越来越多的用户倾向于使用社交软件进行即时通讯、信息共享、热点讨论等行为。然而,在线社交网络是一把双刃剑,它在提供用户便利的同时,却也悄无声息地泄漏着用户的隐私。在线社交网络的发展滋生了用户展示自身的欲望,用户热衷于在社交软件中分享动态信息,无论是心情随笔还是出行动态,他们渴望同社交好友进行交流互动。用户的不同动态都有其对应的受众,但是数据信息并不会自动识别相应的对象,这导致了用户发布的动态往往在不同的群体中转播,脱离了隐私的相对范围性,导致了隐私信息的泄漏。因此,社交网络分类不仅能为用户在动态分享时提供便利,还能将信息分享限定在用户意图的范围内,有效保护用户隐私。本文从隐私保护的角度提出了社交网络自动分类问题,针对微信社交平台研究了社交网络自动分类方案。并从网络表示学习入手,结合自然语言处理的方式,将社交网络用户分类问题转化为词向量分类问题,在向量空间上实现聚类的目的。论文的主要贡献如下:(1)研究了在线社交网络运行模式、用户行为方式和用户的隐私保护需求,从用户隐私保护的角度提出了社交网络自动分类问题,以及根据动态内容自动在限定范围内发布的问题。(2)提出了用于量化在线社交网络好友关系的亲密度量化模型,并给出了一种获取好友关系权值列表的方法。具体来说,我们分析了在线社交网络的发展现状和用户在社交软件中的交互方式,例如微博中的“点赞”、“转发”和“评论”,以及微信朋友圈中的“点赞”和“评论”等。据此将社交网络中的亲密度关系划分为五类,统计不同亲密度关系好友间的互动行为,并通过社会调查的方式获得不同亲密度关系对应的具体权重数值。将所有互动方式的占比作为支持向量机的输入,权重数值作为输出,训练了一个高精度的亲密度关系分类器用于亲密度的分类。基于采集到的用户朋友圈中的互动信息,利用该分类器将好友间关系归类到相应的类别,从而得到所有好友亲密度关系对应的量化权重,获得好友关系权值列表。(3)基于所提出的好友关系权值列表,给出了一种高精度的社交网络分类算法。具体来说,首先利用Node2vec算法的二阶随机游走方式采集好友关系权值列表中的数据,得到好友节点序列集合,并将节点序列集合作为自然语言处理算法的输入,得到节点的词向量表示形式,即用户的社交好友的数字表示形式;进一步利用手肘法寻找词向量集合的最佳聚类数,并通过K-means聚类算法将词向量聚类,从而实现社交网络好友的自动分类。最后,在实验结果评估模块,利用PCA降维得到社交网络好友分类在二维平面上的可视化效果;紧接着定义了分类精度来阐述好友分类效果,并提出了误差处理方式更新分类结果,证明了本文所提出的算法能够将社交好友高精度地分类,实现了在线社交网络分类系统。