随着社会化媒体应用的普及，网络上留有大量的用户行为信息。尽管大多用户已具备隐私保护意识，有意识地隐藏身份信息，但是常常忽略了随机动态的行为信息带来的隐私泄漏。攻击者通过分析用户的行为语义，能够发现用户的兴趣爱好、政治倾向等敏感信息，进而利用这些特征来进行用户身份关联攻击。身份关联有许多应用场景，例如关联不同平台上属于同一个人的多个账号，可以使用多平台信息更精准地为用户画像，从而进行广告投放或提供内容服务，以增加用户满意度，提高商业效益。本文研究使用用户行为中的话题信息来进行身份关联攻击的可行性，目的在于提醒用户更加留意自己的行为，防范隐私泄漏。　　基于社会化媒体上的用户行为信息进行身份关联面临诸多挑战。首先，用户行为受到平台特点、流行话题以及个体情绪状态等综合因素的影响，具有随机性、动态性和碎片化等特点，不像用户名、邮箱等静态属性具有较强标识性或唯一性。其次，用户行为形式和行为对象是平台依赖的，在不同平台上的行为特点有很大差异，海量行为信息中包含的复杂语义缺乏可比较性。为了解决以上挑战，本文使用了用户行为中涉及的客体内容的话题进行建模，具有形式一致性、语义高度概括性等特点，提出了基于表示学习的话题隐式向量建模方法，使其能够度量话题之间的内在语义关联性。然后根据用户与话题的交互行为，将用户的隐式特征建模成相同语义空间下的向量，即便用户行为中的话题发生了变化，只要这些话题包含相似的语义信息，模型依然能够得到稳定的用户特征。　　本文提出了两个创新性的优化目标来学习话题的向量表示:(1)共现话题对之间的语义兼容性，该目标使得具有相似语义的话题在隐式空间中距离更近，帮助从动态的用户行为中挖掘稳定的内在特征;(2)相同用户的内在特征的一致性，该目标利用种子用户获取了额外的话题语义背景知识，增加了话题的内在语义关联性。本文使用了噪声对比估计(NCE)方法重构目标函数，避免了计算过程中标准化项的庞大计算量，很大程度上提升了学习速度。对于优化求解算法，本文基于Adam方法进行了改进，使之适合于多目标的联合优化，避免了不同目标在优化中不兼容的问题，减少了迭代次数。最终基于用户行为在话题上的分布得到用户内在特征向量，进而通过特征向量的距离来关联用户身份。本文使用了来自知乎和MovieLens的两个真实数据集进行验证，结果显示了本文方法明显优于相关方法。　　为了更好地理解学习结果，本文分别从话题和用户两个角度给出了模型的语义解释。从话题角度论证了话题表示向量具备语义可解释性，从用户角度直观地展示了表示学习如何帮助正确地关联用户身份。最后，通过分析失败案例讨论了模型的局限性，通过为模型输出结果增加置信度，进一步提升了该方法判定身份关联的准确率。