社会媒体平台是用户在线交流沟通、创作分享内容的互联网平台,涵盖社交、通讯、娱乐、电商等不同方面。平台提供了隐私管理功能和信息访问控制机制,允许用户通过隐私设定管理个人信息和发布数据。为了吸引流量,系统默认设置隐私为“公开”,引导用户尽可能多地发布信息。由于大多数用户的隐私意识不足,导致大量信息以公开形式发布。攻击者借助这些公开数据,能够分析用户身份、属性、位置等敏感个人信息,构成隐私威胁。针对社会媒体用户的隐私问题,本文分析用户公开的行为数据,以期从个性化隐私偏好和隐私风险角度,帮助用户更好地管理隐私。主要工作如下:（1）针对社会媒体用户细粒度隐私需求,提出了基于用户授权行为的隐私偏好学习方法,以及个性化隐私策略推荐算法。现有研究工作在隐私管理方面,主要是基于用户属性和行为相似性给出隐私设置建议,这种推荐方式不能反映授权主体特征和内容敏感性差异。本文提出了基于用户已有授权行为的隐私偏好量化方法,以概率分布形式建模授权主体和客体的复杂关联关系;引入大众分类法作为客体语义标签,解决了客体类型差异和语义变迁带来的不一致性问题;结合主体和客体属性信息推荐细粒度隐私设置,以满足用户动态授权期望和时效性需求。与现有方法在四种典型社会媒体平台的真实数据集上进行了对比实验,实验结果表明本文方法能够更准确地推荐用户隐私策略、适用于多种授权场景,算法也具备更好的执行效率。（2）针对社会媒体用户的开放行为数据,提出融合客体信息和行为语义的身份关联算法,以评估关联匿名身份的隐私风险。开放用户行为是指平台默认公开访问的用户行为,例如评论、点赞等,具有碎片化、随机噪声、信息含量低等特点。现有研究工作主要针对用户属性、关系网络、用户发布内容等信息含量高的数据进行分析,采用统计方法、图分析技术等进行身份关联。这些数据在用户隐私策略受限情况下难以获得,其建模方式不适用于开放行为数据。本文引入语义知识库,分析用户行为的多层次隐式语义,借助外部知识库补充行为涉及的客体文本内容,从行为显示语义、行为上下文、行为聚合特征、行为隐式语义等角度建模用户行为特征,减少了噪音数据影响,组合多元行为特征进行身份关联。采用两个真实社会媒体评论数据集进行对比实验,结果表明本文方法更能有效提取用户差异特征和识别关联身份,有效识别开放行为数据带来的用户身份隐私威胁。（3）针对社会媒体用户属性隐私问题,提出了融合跨平台用户行为语义的属性推断方法。现有研究工作主要借助已知用户属性和关系信息在单一平台上推理用户属性,这些数据在很多情况下不可获得。本文基于开放行为数据,提出了基于跨平台用户内在特征一致性的身份嵌入学习方法,引入本体知识库进行基于概念的层次化语义建模,结合辅助平台丰富的属性数据和跨平台用户间身份映射,进行联合属性推断。针对跨平台用户数量较少的情形,进一步提出了基于元学习机制的跨平台联合属性推断模型。选取新浪新闻、新浪微博等真实跨平台数据集,与现有方法进行了对比实验,结果表明本文方法在年龄、教育程度等属性上都能更准确地推断属性隐私风险,且在跨平台用户数量较少时,基于元学习机制的多平台联合属性推断模型表现良好。（4）针对社会媒体用户位置隐私问题,提出了基于公开签到数据的位置敏感性分析方法,预测未标识地点所对应的语义标签,以期评估用户位置的敏感性。现有研究工作主要借助于签到相关信息或位置场景数据,采用特征工程预测位置的语义标签。而此类数据在许多真实场景下并不可用。本文基于用户公开签到数据和少量标记数据,采用嵌入方式将位置上下文和语义标签上下文投影到隐式空间,同时建模位置与语义标签之间的关联性约束,通过位置上下文、语义标签上下文和关联性约束,得到位置和语义标签的表示学习,并通过距离度量来预测语义标签,并提醒用户隐藏敏感语义标签的签到信息。选取典型签到平台的两个数据集进行了对比实验,结果表明,相比于现有工作,提出的方法在真实场景中的准确性更高,能够为用户提供更好的位置敏感性分析。