随着网络和信息技术的不断发展和快速普及,传统的社会网络关系已经延伸到虚拟网络环境中,形成了基于网络的互动服务,即社会网络服务(Social Networking Service, SNS),为用户提供了一个相互交流、分享信息的个性化服务平台。近年来注册社交网站的用户数目不断增加,社会网络中存放了大量的用户隐私数据如身份信息、共享数据以及用户间关系等。这些隐私数据一旦保护不当,就会给当事人的学习、工作和生活带来严重的后果,而且其影响范围之大、危害程度之深远远超过现实的社会网络。因此,如何保护社会网络中的隐私已经成为了一个迫在眉睫的问题。访问控制是社会网络中常用的一种隐私保护方法。基于用户参与程度的不同,社会网络中现有的访问控制机制可划分为默认的隐私设置、可定制的隐私设置、自适应的隐私设置。默认的隐私设置是由社交网站预先提供给用户的隐私设置；可定制的隐私设置是基于社交网站设计的隐私保护机制,用户根据自身需求完成隐私配置；自适应的隐私设置是通过分析抽取的用户输入、特征信息以及上下文环境等信息,自动推理出用户的隐私设置。前两种隐私设置都需要对访问者和隐私数据等进行合理的划分从而进行授权,但是社会网络具有动态性和不确定性,对于未进行划分的访问者和隐私数据,很难获得精确的隐私设置。自适应隐私设置未定量分析用户的隐私偏好和用户提供的输入或者上下文之间的关系,因此在推理用户隐私偏好的初始阶段,更多依赖于与用户的直接交互。针对上述问题,本文提出了基于概率的用户隐私偏好分析模型和基于隐私偏好的客体权限分析模型。主要贡献如下：针对大量尚未划分群组的访问者进行快速合理授权问题,提出采用概率的方法量化分析用户现有的访问者-群组分配与来访者的特征、数据类别等属性之间的相关性。对于一个未知的来访者,依据其各项属性特征分析与现有的隐私偏好的匹配程度,进行合理分类、优化选择,给出恰当的群组划分。针对客体资源具有数目众多、设置标签不精确等问题,提出采用基于概率的隐私偏好分析和交互式学习相结合的方法,获得动态客体信息的权限分配。先利用概率的方法分析现有的客体信息的标签与群组授权之间的相关性。对于用户频繁发布的动态客体信息,分析它们的标签与现有的隐私偏好的匹配程度,根据所得的结果,进行合理的分析,得出初步的客体-群组隐私设置。对于无法确定授权的群组,采用交互式学习的方法构造分类器,进行精确分类,得到相应的隐私设置方案。论文为上述工作构造实验,定量验证这些方法的正确性,并从不同的方面定性的评估所提出的方法。