用户识别实质上是一种去匿名化(De-Anonymization)问题,识别任务中目的一般是根据匿名用户的行为数据从非匿名群体中找到与其最相似的用户。行为数据指用户在各种网络及通信服务中留下的操作痕迹,常常蕴含着各自的行为模式,代表了其在服务消费中的偏好和习惯。本文的研究中根据用户的行为数据,对他们的行为模式进行提取,并通过行为模式之间的匹配识别出匿名用户的身份。本文关注一般性的识别问题,对适用于各种识别场景的通用方法进行了探究。文中首先对基于特征分布直方图的识别方法进行了研究,然后引入行为特征在时间维度上的关联性,并据此提出了基于特征序列的识别方法。该方法中,首先使用n元语法模型获取用户在时间线上的行为特征序列;然后根据序列的TF(Term Frequency)值构成按热度有序的特征序列集合,并将该有序集合作为用户行为模式的表征;最后本文提出一种有序集合的匹配方式,将匿名用户与已知用户的特征序列集合进行匹配,选取匹配相似度最高的用户作为识别结果。本文在三种不同的真实场景下对以上方法进行了实验验证,并探讨了识别任务中的一些常见问题。首先实验证明在本文的三种场景下,基于特征序列的方法识别正确率(Accuracy)总是不低于经典的特征直方图方法,在用户购物和网页浏览识别场景中,识别正确率分别有10%和7%的提升,同时在识别消耗时间上有所减少;其次本文着重关注了现实识别任务中经常面对的匿名用户数据较少的问题,在该问题中基于特征序列的方法识别效果更佳;最后使用基于特征序列的方法可以对具有显著性特征的用户进行了区分,实验证明,该部分用户的识别正确率极高,在用户购物和电视观看数据集中可以达到98%以上。因此,可以对他们的识别结果有较高的信任程度,这在一些现实应用中具有重要意义。