社交网络是移动多媒体系统中的重要组成部分，用户可以在其中共享他们的视频，照片和其他媒体。 但是，在社交网络平台上共享的信息（例如，帖子，用户个人资料等）通常反映了许多用户的个人（私人）信息，这些信息可能出于恶意目的而被开采和滥用。 为了解决隐私问题，许多社交网络服务提供商采用了隐私保护机制，例如匿名用户身份，隐藏用户个人资料等。因此，用户个人资料中的属性通常设置为仅由朋友访问以防止隐私泄漏。 已经提出了几种攻击来将隐藏的属性推断为当前隐私保护机制的几种效率。 这些解决方案中的大多数都基于用户之间的社交联系或其行为。 在本文中，我们系统地分析了与用户隐私推理相关的社交特征，发现社交属性之间存在相关性，这对推断用户的隐藏属性有很大的影响。 根据我们的发现，我们提出了一种基于社交链接和属性相关性属性的有效社交属性推断方案。 我们使用重新启动的随机游走开发了关联属性推断方法（ReAI）。 我们在推理性能上分析属性相关性，并使用Kulczynski度量来量化属性相关性，作为改进的社会属性网络中属性节点的边缘权重。 我们评估了我们的方法，并将其与传统的属性推断方法进行了比较。 结果表明，该方法的性能优于传统方法。 我们还使用Kulczynski测度和信息增益比来评估改进。 结果表明，属性之间的相关性越大，改进程度越高。
