在线社交网络的快速发展丰富了用户的社交空间,但这使得用户的通讯录管理变得繁琐。同时,在线社交网络主要依赖于用户在网络空间的社交信息,却很少利用人们在物理世界中的社交活动信息。可穿戴设备的迅速发展给我们提供了一个从物理世界交互中挖掘用户社交信息的机会。与此同时,我们仍然面临着许多挑战。首先,可穿戴传感器数据存在异质性和不均衡性的问题。硬件设备和操作系统特性的差异会造成收集的数据存在噪音,导致数据质量存在差异。同时,不同的用户具有不同的体态和行为习惯,不同的活动发生频率也存在差异,这导致可穿戴传感器数据存在不均衡性。其次,不同于单人活动识别,用户的社交活动识别往往更加复杂,包含的行为活动往往不止一种。如何在资源受限的移动设备上设计高准确率低资源消耗的活动识别模型也是一个挑战。最后,在同一社交区域可能存在多个社交群组,如何从可穿戴传感器数据中准确识别出用户社交(特别是异步社交活动)的对象是一个很大的挑战,在此基础上我们还需要保证用户的隐私信息不被泄露。为了解决以上问题,我们提出了基于可穿戴设备的保护隐私社交推荐系统来帮助用户实现朋友推荐、好友自动标注等社交推荐功能,该论文的主要工作包括:(1)我们采集了 36名志愿者之间的同步和异步活动的可穿戴传感器数据,同时为了保证在过滤数据噪音的同时尽可能保留数据的特性,我们采用了残差分析的方法来寻找滤波的最佳截止频率,对运动传感器数据进行数据清洗。(2)我们设计了基于投票的轻量级神经网络架构用于用户活动识别,对于一个三分钟数据片段的社交活动识别可以达到100%的准确率,模型大小仅为416KB,适合资源受限的移动设备。(3)通过分析用户社交活动的传感器数据特征,我们提出了社交互动特征生成算法来生成互动特征,并使用梯度提升树分类器来检测用户间是否存在社交。比如对于两人是否一起走路的识别准确率达到92.2%,对于检测两个人是否一起打乒乓球的准确率达到92.6%。(4)为了保护用户的隐私信息安全,我们设计和评估了基于混淆电路的分布式保护隐私社交挖掘系统框架和基于卷积自编码器的多粒度数据重构模型,从而保证用户的社交活动信息的安全。