随着网络技术的迅猛发展,社交网络在人们的日常生活中扮演着越来越重要的角色。社交网络的广泛可用性和易用性使其成为恶意用户进行扩散垃圾信息的平台。虽然在一些情况下垃圾用户隐藏真实身份是无害的,但是在多数情况下以欺骗为目的。社交平台的真实用户会收到来源不明的垃圾邮件、虚假广告推广等垃圾信息,最终导致钓鱼欺诈事件发生、甚至引发负面的网络舆情事件,因此需要对社交网络用户进行识别以检测垃圾用户。对于社交网络用户识别技术的研究可以有效描述用户特征以及建模社交网络,本文主要针对基于行为特征的社交网络用户识别技术展开研究。针对当前基于用户行为相似性的社交网络垃圾组用户识别方法的主要缺陷在于面对大量垃圾用户组时存在的时间性能问题,首先提出候选分割阈值算法给出初始候选分割阈值,通过候选分割阈值线性探测的方式逼近最佳分割阈值,从而实现基于最佳分割阈值的社交网络垃圾组用户识别。相关实验结果表明了本文所给出的方法在面向包含大量垃圾组用户时,与已有方法相比在性能上有较大提升。在针对社交网络用户的行为序列展开分析后,发现复杂的用户行为导致编码序列过长从而产生较大的存储开销。基于此问题,通过提出压缩阈值的概念,对用户行为序列编码中的单一连续出现的用户行为进行压缩处理,从而实现基于自适应压缩阈值的社交网络用户编码技术。通过对用户的行为序列进行压缩处理,减小了基于编码的用户行为特征存储开销。相关实验结果表明,在对一些高相似性的用户行为进行压缩的过程中,本算法可有效降低用户行为序列所需存储空间,同时基于压缩编码实现的垃圾组用户的检测方法效果也有较大提升。