JP2012527671A - セキュリティ設定及び／又はプライバシー設定を管理するためのシステム及び方法 - Google Patents

Abstract

【課題】 セキュリティ設定及び／又はプライバシー設定を管理するためのシステム及び方法を提供する。
【解決手段】 セキュリティ設定及び／又はプライバシー設定を管理するためのシステム及び方法が説明される。一実施形態においては、この方法は、第１のクライアントを第２のクライアントに通信可能に結合することを含むことができる。この方法は、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を、第１のクライアントから第２のクライアントに伝搬することをさらに含むことができる。この方法はまた、第２のクライアントにおいて、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を受信したとき、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の受信した部分を、第２のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定に組み込むことを含むこともできる。
【選択図】 図３

Description

本開示の実施形態は、一般に、データ処理システムの分野に関する。例えば、本開示の実施形態は、セキュリティ設定及び/又はプライバシー設定を管理するためのシステム及び方法に関する。

ウェブ・アプリケーション及びウェブ・サービスのような幾つかのコンピューティング・アプリケーションにおいては、大量の個人データが他者にさらされる。例えば、ソーシャル・ネットワーキング・サイトに関しては、サイトは、名前、職業、電話番号、住所、誕生日、友人、同僚、雇用主、通っていた高校等を含む、個人情報をユーザに要求する。従って、自分のプライバシー設定及びセキュリティ設定を構成し、どれだけの及びどの範囲の個人情報を他者と共有できるかを決定する際、ユーザに何らかの決定権が与えられる。

適切なプライバシー設定及びセキュリティ設定を決定する際、様々な選択肢をユーザに与えることができる。例えば、幾つかのサイトにおいては、適切な設定を決定しようとして、多数のページに及ぶ質問をユーザに尋ねる。ユーザにとって、質問に答えるのは、退屈で時間のかかるタスクになり得る。その結果、ユーザは、自分の好ましいセキュリティ設定及びプライバシー設定を設定せずに済ませることがある。

セキュリティ設定及び/又はプライバシー設定を管理するための方法が開示される。一実施形態においては、この方法は、第１のクライアントを第２のクライアントに通信可能に結合することを含む。この方法はまた、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を、第１のクライアントから第２のクライアントに伝搬することも含む。この方法は、第２のクライアントにおいて、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を受信したとき、第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の受信した部分を、第２のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定に組み込むことをさらに含む。

これらの例証となる実施形態は、本発明を制限する又は定義するためではなく、その理解を助ける例を与えるために記載されるものである。例証となる実施形態は、「発明を実施するための形態」において記載され、本開示のさらなる説明がここに与えられる。本開示の種々の実施形態により与えられる利点は、本明細書を調べることによりさらに理解することができる。

本発明のこれらの及び他の特徴、態様及び利点は、添付図面を参照して以下の「発明を実施するための形態」を読むときに、より良く理解される。

ユーザのためのソーシャル・ネットワークの例示的なソーシャル・グラフを示す。 第１のソーシャル・ネットワーキング・サイト上のユーザ・プロファイルと、第２のソーシャル・ネットワーキング・サイト上のユーザ・プロファイルとを有する人のソーシャル・ネットワーキング・グラフである。 コンソールによりソーシャル・ネットワーク間でプライバシー設定を伝搬するための例示的な方法のフローチャートである。 プライバシー設定及び／又はプライバシー環境の計算を実施するための例示的なコンピュータ・アーキテクチャを示す。

本開示の実施形態は、一般に、データ処理システムの分野に関する。例えば、本開示の実施形態は、セキュリティ設定及び/又はプライバシー設定を管理するためのシステム及び方法に関する。説明全体を通して、説明の目的上、本開示の完全な理解を与えるために、多数の特定の詳細が述べられる。しかしながら、本開示は、これらの特定の詳細の一部なしで実施できることが、当業者には明らかであろう。他の例では、本開示の基礎をなす原理を不明瞭にするのを避けるために、周知の構造体及びデバイスは、ブロック図の形態で示される。

プライバシー設定及び/又はセキュリティ設定の管理において、システムは、他者のプライバシー設定及び/又はセキュリティ設定を用いて、ユーザのプライバシー設定及び/又はセキュリティ設定を構成する。従って、他のユーザによる設定を伝搬し、比較して、ユーザにとって好ましい構成の設定を自動的に作成する。プライバシー設定及び/又はセキュリティ設定の自動作成は、クライアント間で種々の環境において行なうことができる。例えば、作成は、セキュリティ・ソフトウェアを用いるコンピュータ・システム間、種々のコンピュータのインターネット・ブラウザ間、１つのコンピュータ上の多数のインターネット・ブラウザ間、１つのソーシャル・ネットワーキング・サイト内のユーザ・ファイル間で、複数のソーシャル・ネットワーキング・サイトの中のユーザ・ファイル間、及び１つ又は複数のインターネット・ショッピング・サイトの中のショッパー・ファイル間で行なうことができる。

説明のために、１つ又は複数のソーシャル・ネットワーキング・サイトの中のユーザ・ファイルを参照して、実施形態を説明する。当業者には明らかであるように、以下の説明は、上記に列挙したものを含む、異なる環境における実装に限定されるべきではない。

ソーシャル・ネットワーク
ソーシャル・アプリケーション／ネットワークにより、人々が他者への接続を形成することが可能になる。ユーザは、プロファイルを作成し、次に、自分のプロファイルを介して他のユーザに接続する。例えば、第１のユーザは、友人要求（friend request）を、自分が認識する第２のユーザに送ることができる。要求が受け入れられた場合、第２のユーザは、第１のユーザと識別された友人になる。一人のユーザのプロファイルについての接続全体が、該ユーザについての人間関係のグラフを作成する。

ソーシャル・ネットワーク・プラットフォームを、ユーザによるプラットフォーム動作環境として用いることができ、ほぼ瞬間的な友人間の通信が可能になる。例えば、プラットフォームは、友人が、プログラムを共有し、インスタント・メッセージを送り、又は他の友人のプロファイルの特別の部分を見ることを可能にする一方で、ユーザが、ゲームのプレイ（オフライン又はオンラインでの）、文書の編集、又はｅメールの送信といった標準的なタスクを実行することを可能にする。プラットフォームはまた、ニュースフィード、イージーアクセス・ショッピング、バンキング等を含む他のソースからの情報を可能にすることもできる。情報を提供する多数のソースの結果として、ユーザのためにマッシュアップ（mashup）が作成される。

マッシュアップは、１つより多いソースからのデータを組み合わせて統合ツールを作るウェブ・アプリケーションとして定義される。多くのマッシュアップを統合して、ソーシャル・ネットワーキング・プラットフォームにすることができる。マッシュアップはまた、若干のユーザ情報も必要とする。従って、マッシュアップが、ユーザ・プロファイル内に格納されたユーザの情報にアクセスできるかどうかは、ユーザのプライバシー設定及び／又はセキュリティ設定によって決定される。

プライバシー設定及び／又はセキュリティ設定
一実施形態においては、プライバシー設定及び／又はセキュリティ設定によって保護されるソーシャル・ネットワークの部分を、６つの広義のカテゴリー：すなわち、ユーザ・プロファイル、ユーザ検索、フィード（例えば、ニュース）、メッセージ及び友人要求、アプリケーション、及び外部ウェブサイトで定義することができる。ユーザ・プロファイルについてのプロファイル設定は、プロファイル情報のどのサブセットが誰によりアクセス可能であるかを制御する。例えば、友人はフルアクセスできるが、見知らぬ人は、ユーザ・プロファイルへのアクセスが制限される。検索についてのプライバシー設定は、検索中、誰がユーザのプロファイルを見つけることができるか、及び、プロファイルのどれくらいが利用可能であるかを制御する。

フィードについてのプライバシー設定は、フィードの形でどの情報をユーザに送ることができるかを制御する。例えば、設定は、ニュースフィードを介して、どのタイプのニュース・ストーリーをユーザに送ることができるかを制御することができる。メッセージ要求及び友人要求についてのプライバシー設定は、ユーザにメッセージ要求又は友人要求が送られたとき、ユーザ・プロファイルのどの部分が目に見えるかを制御する。アプリケーション・カテゴリーについてプライバシー設定は、ユーザ・プロファイルに接続されるアプリケーションの設定を制御する。例えば、設定は、アプリケーションが、ソーシャル・ネットワーキング・サイトに関するユーザのアクティビティ情報を受け取ることができるかどうかを決定することができる。外部ウェブサイト・カテゴリーについてのプライバシー設定は、外部ウェブサイトがユーザに送ることができる情報を制御する。例えば、設定は、航空会社のウェブサイトが直前のフライトに関する取扱いについての情報を送ることができるかどうかを制御することができる。

従って、プライバシー設定及び／又はセキュリティ設定を用いて、ユーザの材料又はアクセスの部分を制御することができる。例えば、６つの広義のカテゴリーについてのプライバシー設定を用いて、外部ウェブサイトによるユーザへのアクセスを制限し、ユーザによるプログラム又はアプリケーションへのアクセスを制限することができる。

プライバシー設定及び／又はセキュリティ設定を伝搬するための実施形態
ユーザがユーザのプライバシー設定を完全に制御し、知るように、プライバシー設定の全てのコンポーネントを手作業で設定するのに代わるものとして、現在のプライバシー・モデルにおいて、２つのタイプのプライバシー保護が存在する。：すなわち、（１）個人を他の個人の大きな集まりの中に隠すことによって、個人のプライバシーを保護することができる、及び、（２）信頼できるエージェントの後ろに個人を隠すことにより、個人を保護することができる。第２の概念については、信頼できるエージェントは、個人についての情報を漏らすことなく、個人の代わりにタスクを実行する。

集団（collective）を形成するために、関係を付加する又は削除するなど、架空の個人を付加する、又は、実在する個人を削除する必要がある。従って、大幅に編集されたソーシャル・グラフのバージョンの中に個人が隠れる。こうした手法に関連する１つの問題は、ネットワークの有用性が妨げられること、又はこれを保護できないことである。例えば、中央アプリケーションは、個人を集団の中に隠すために、ソーシャル・グラフに対してなされた全ての編集を記憶しなければならい。信頼できるエージェントを用いる際、信頼できるエージェント、又は、要求されたタスクだけを実行するエージェントを見つけることは、困難であり、費用がかかる。従って、本発明の一実施形態は、ユーザのプライバシー設定を設定するタスクを自動化することによって、集団又は信頼できるエージェントに対する必要性を排除する。

図１は、ユーザ１０１についてのソーシャル・ネットワークの例示的なソーシャル・グラフ１００を示す。ソーシャル・グラフ１００は、ユーザ１０１のソーシャル・ネットワークが、ユーザ１０１に直接接続される人１ １０２、人２ １０３、人３ １０４、及び人４ １０５（それぞれ、接続１０７−１１１）を含むことを示す。例えば、人は、ユーザ１０１を連絡先として受け入れた、かつ、ユーザ１０１が連絡先として受け入れた、同僚、友人、又は取引相手、或いはその混合物とすることができる。関係１１２及び１１３は、人４ １０５と人５ １０６が互いに連絡があること、及び、人４ １０５と人３ １０４が互いに連絡があることを示す。人６ １１４は、人３ １０４と連絡がある（関係１１５）が、ユーザ１０１とは連絡がない。各ユーザのソーシャル・グラフをグラフ化し、それらを互いにリンクさせることにより、完全なソーシャル・ネットワークのグラフを作成することができる。

ソーシャル・グラフ１００内の人／ユーザの各々は、ノードと考えられる。一実施形態においては、各ノードは、それぞれのプライバシー設定を有する。個々のノードについてのプライバシー設定は、ノードについてのプライバシー環境を生成する。一例におけるユーザ１０１を参照すると、ユーザ１０１のプライバシー環境は、Ｅｕｓｅｒ＝｛ｅ１、ｅ２，．．．，ｅｍ｝として定義され、ここで、ｅは、プライバシー環境Ｅを定めるためのインジケータであり、ｍは、プライバシー環境Ｅｕｓｅｒを定める、ユーザ１０１のソーシャル・ネットワークにおけるインジケータの数である。一実施形態においては、インジケータｅは、形態｛エンティティ、オペレータ、アクション、アーチファクト｝のタプルである。エンティティは、ソーシャル・ネットワーク内のオブジェクトを指す。例示的なオブジェクトには、これらに限られるものではないが、人、ネットワーク、グループ、アクション、アプリケーション、及び外部ウェブサイトが含まれる。オペレータは、エンティティの能力又はモダリティ（modality）を指す。例示的なオペレータには、これらに限られるものではないが、ｃａｎ（可能である）、ｃａｎｎｏｔ（不可能である）、及びｃａｎ ｉｎ ｌｉｍｉｔｅｄ ｆｏｒｍ（制限された形で可能である）が含まれる。オペレータの解釈は、使用状況及び／又はソーシャル・アプリケーション又はネットワークによって決まる。アクションは、ソーシャル・ネットワークにおけるアトミック実行可能タスクを指す。アーチファクトは、アトミック実行可能タスクについての対象オブジェクト又はデータを指す。インジケータの部分の統語論及び意味論は、モデル化されたソーシャル・ネットワークによって決まり得る。例えば、インジケータｅ＝｛Ｘ，”ｃａｎ”，Ｙ，Ｚ｝であり、これは、「エンティティＸは、アーチファクトＺ上のアクションＹを実行することができる。」である。インジケータは、互いに相互依存することがある。しかしながら、例示目的のために、アトミック・インジケータが、例として与えられる。

一実施形態においては、プライバシー設定は、エンティティ、アクション、及びアーチファクトに関連するオペレータを構成する。従って、プライバシー設定を用いて、インジケータ｛Ｘ，””，Ｙ，Ｚ｝について、エンティティＸは絶対にアクションＹを実行することができないと定めることができる。従って、プライバシー設定は、インジケータを｛Ｘ，”ｃａｎｎｏｔ”，Ｙ，Ｚ｝と設定する。

一実施形態において、ユーザが自分の現在の経験外の新しいアクティビティを行なうときに、ユーザは、こうしたアクティビティと関連した自分のネットワーク内の人のプライバシー設定を活用することができる。例えば、ユーザ１０１が新しいアプリケーションをインストールすることを望む場合、人１−５（１０７−１１１）が新しいアプリケーションをインストール済みであれば、彼らのプライバシー設定を用いて、新しいアプリケーションに関するユーザ１０１のプライバシー設定を設定することができる。従って、ユーザ１０１は、アプリケーションを信頼できるかどうかに関する信用照会先を有する。

一実施形態においては、ユーザがアプリケーションをインストールしたいと望み、かつ、既にアプリケーションをインストール済みの、自分のソーシャル・ネットワーク内の一人の他の人にだけ接続される場合には、アプリケーションに関する、その人からのプライバシー設定がユーザにコピーされる。例えば、エンティティを人とし、アクションを”インストール”とし、アーチファクトをアプリケーションとした場合、その人についてのインジケータは、｛人，”ｃａｎ”，インストール，アプリケーション｝とすることができる。従って、ユーザは、｛ユーザ，”ｃａｎ”，インストール，アプリケーション｝のようなインジケータを、自分のプライバシー環境の一部として受け取る。

ユーザに接続された２人又はそれ以上の人が関連したインジケータを含む場合（例えば、前例において、全てのインジケータが、アーチファクト「アプリケーション」を含む場合）、関連したインジケータ全体を用いて、ユーザについてのインジケータを決定することができる。一実施形態において、ユーザについて作成されたインジケータが、２つの特性を含む。第１の特性は、ユーザ・インジケータには関連したインジケータとの衝突がない（conflict-free）ことである。第２の特性は、ユーザ・インジケータが、関連したインジケータの全てと比較して、最も制限的であることである。

インジケータ間の衝突を参照すると、インジケータは、同じエンティティ、アクション、及びアーチファクトを共有するが、インジケータ間のオペレータは、互いに衝突する（例えば、”ｃａｎ”対”ｃａｎｎｏｔ”）。衝突がないとは、ユーザ・インジケータを決定するときに、全ての衝突が解決済みであることを言う。一実施形態において、衝突の解決とは、衝突における最も関連した制限的オペレータを見つけ、全ての他のオペレータを廃棄することを含む。例えば、３つの関連したインジケータが、{Ａ，”ｃａｎ”，Ｂ，Ｃ}、{Ａ，”ｃａｎ ｉｎ ｌｉｍｉｔｅｄ ｆｏｒｍ”，Ｂ，Ｃ}、及び{Ａ，”ｃａｎｎｏｔ”，Ｂ，Ｃ}である場合、最も制限的なオペレータは、”ｃａｎｎｏｔ”である。従って、衝突がないインジケータは、{Ａ，”ｃａｎｎｏｔ”，Ｂ，Ｃ}である。示されるように、衝突がないインジケータは、最も制限的でもあるので、２つの特性を満足する。

一実施形態において、ユーザのプライバシー環境は、ユーザのソーシャル・ネットワーク内のあらゆる変化に対して変化する。例えば、ある人がユーザのソーシャル・ネットワークに加えられた場合、その人のインジケータを用いて、ユーザのインジケータをアップデートすることができる。別の実施形態においては、ユーザに接続された特定の人を、他の人よりも信頼することができる。例えば、長期間ユーザに接続されている人、プロファイルがより古い人、及び／又は他のユーザにより信頼できるとしてタブ付けされた人は、他の人と比べて、そのインジケータがより重要視され得る。例えば、ユーザ１０１は、人１ １０２を、ネットワーク１００内で最も信頼できる人として設定することができる。従って、あまり信頼できないインジケータのオペレータがより制限的である場合でも、人１のインジケータを、他のあまり信頼できないインジケータよりも信頼することができる。

一実施形態においては、２つの別個のソーシャル・ネットワーキング・サイト上にユーザ・プロファイルを有する人が、１つのサイトからのプライバシー設定を用いて、別のサイト上のプライバシー設定を設定することができる。従って、１つのサイトから別のサイトにインジケータが翻訳される。図２は、第１のソーシャル・ネットワーキング・サイト２０２上のユーザ・プロファイル１０１と、第２のソーシャル・ネットワーキング・サイト２０４上のユーザ・プロファイル２０３とを有する人２０１を示す。大部分のソーシャル・ネットワーキング・サイトは互いに話をしない。従って、一実施形態においては、プライバシー環境のソーシャル・ネットワーク間の生成のために、ユーザ・コンソール２０５が用いられる。

図３は、コンソール２０５によって、ソーシャル・ネットワーク間でプライバシー設定を伝搬するための例示的な方法３００のフローチャートである。３０１で開始し、コンソール２０５は、どのノードからインジケータを受け取るかを決定する。例えば、図２のユーザ２０３が、ソーシャル・ネットワーク２０２及び２０４の両方に存在するアプリケーションについてのプライバシー設定を必要とする場合には、ユーザ・ノード１０１に接続されているどの人がそのアプリケーションについてのインジケータを有するかが判断される。一実施形態においては、他者のインジケータを用いてプライバシー設定が既に判断済みであるユーザ・ノード１０１のインジケータから、インジケータが引き出される。従って、プライバシー環境を作成するために、コンソール２０５は、プライバシー環境を計算するために、どのノードから、全てのインジケータ又はそれらのノードを受け取るかを判断することができる。インジケータがソーシャル・ネットワーキング・サイト２０４に関連しない（例えば、ネットワーキング・サイト２０２上でアクセスされるウェブサイトに、ネットワーキング・サイト２０４上でアクセスすることができない）場合、コンソール２０５は、受信時にこうしたインジケータを無視することができる。

３０２に進むと、コンソール２０５は、決定されたノードからインジケータを取り出す。既述のように、各ノードから全てのインジケータを取り出すことができる。別の実施形態においては、関心あるインジケータだけを取り出すことができる。さらに別の実施形態においては、システムは、プライバシー設定を連続的に更新することができ、従って、ユーザ２０３のプライバシー環境を更新するために、更新されたインジケータ又は新しいインジケータが定期的に取り出される。

３０３に進むと、コンソール２０５は、取り出されたインジケータから関連したインジケータをグループ化する。例えば、各々の決定されたノードについて全てのインジケータが引き出され、コンソール２０５は、どのインジケータが同じ又は類似のエンティティ、アクション、及びアーチファクトに関連するかを判断することができる。３０４に進むと、コンソール２０５は、関連したインジケータの各グループから、衝突がないインジケータを判断する。ユーザ・ノード２０３のプライバシー環境のために、衝突がないインジケータの集まりが用いられる。

３０５に進むと、コンソール２０５は、衝突がないインジケータの各々について、そのインジケータが、関連したインジケータのそのグループについて最も制限的であるかどうかを判断する。衝突がないインジケータが制限的ではない場合、コンソール２０５は、インジケータを変更し、該インジケータを再決定することができる。代替的に、ユーザ・ノード２０３のプライバシー環境を決定する際に、コンソール２０５は、インジケータを無視することができ、これを含むことができない。３０６に進むと、コンソール２０５は、第２のソーシャル・ネットワーキング・サイトのために、衝突のない最も制限的なインジケータを翻訳する。例えば、”ｃａｎ ｉｎ ｌｉｍｉｔｅｄ ｆｏｒｍ”は、２つの異なるソーシャル・ネットワーキング・サイトにより、異なるように解釈されるオペレータであり得る。別の例においては、第１のソーシャル・ネットワーキング・サイト内の１つのエンティティが、第２のソーシャル・ネットワーキング・サイト上では異なる名前のものであり得る。従って、コンソール２０５は、インジケータを、第２のソーシャル・ネットワーキング・サイト２０４と関連した形式にマッピングしようと試みる。３０７において、インジケータを翻訳すると、コンソール２０５は、インジケータを第２のソーシャル・ネットワーキング・サイト２０４内のユーザ・ノード２０３に送る。次に、ユーザ・ノード２０３のためにインジケータを設定し、そのソーシャル・ネットワークについてのプライバシー環境を生成する。

幾つかのソーシャル・ネットワーキング・サイトの場合、何ページにも及ぶユーザに向けられた問題により、プライバシー環境が設定される。幾つかのソーシャル・ネットワーキング・サイトは、プライバシー環境を設定するために、フィルターのグループ及びユーザ制御を有することができる。従って、一実施形態においては、問題への答え、フィルター、又はユーザ設定を引き出すことができる。従って、引き出された情報から、インジケータが作成される。さらに、インジケータの翻訳は、ユーザの問題への答え又は設定フィルター、及び第２のソーシャル・ネットワーキング・サイトについてのユーザ設定を判断することを含むことができる。従って、コンソール２０５（又は、ソーシャル・ネットワーキング・サイト上のクライアント）は、問題又はユーザ制御を設定して、ユーザ・ノードのプライバシー設定を作成することができる。

上記の方法は、２つのソーシャル・ネットワーキング・サイトの間で示されるが、同じソーシャル・ネットワーキング・サイト上に多数のソーシャル・ネットワークが存在してもよい。従って、ユーザ・ノードは、ソーシャル・ネットワークに応じて、異なるプライバシー設定を有することができる。従って、この方法を用いて、同じソーシャル・ネットワーキング・サイト上のソーシャル・ネットワーク間でプライバシー設定を伝搬することもできる。

一実施形態においては、イベントに応じて、プライバシー設定が変化し得る。例えば、イベントＡが発生した場合、インジケータが、あまり制限的でなくなることがある（オペレータが、”ｃａｎｎｏｔ”から”ｃａｎ ｉｎ ｌｉｍｉｔｅｄ ｆｏｒｍ”に変化する）。従って、インジケータは、依存関係を説明するための情報のサブセットを含むことができる。例えば、エンティティが、ソーシャル・ネットワーキング・サイトによる信頼ステータスを有していることも又は有していないこともある。従って、エンティティが信頼できない（not trusted）場合、エンティティに関するオペレータは、制限的なものになり得る（例えば、｛エンティティＡ［信頼できない］，”ｃａｎｎｏｔ”，Ｂ，Ｃ｝）。信頼できる（trusted）ようになると、これを考慮に入れるように、インジケータを更新することができる（例えば、｛Ａ［信頼できる］，”ｃａｎ”，Ｂ，Ｃ｝）。例えば、信頼できる人は、ユーザの完全なプロファイルを検索することができるが、信頼できない人は検索することができない。

ユーザのプライバシー環境はまた、ソーシャル・ネットワーク内のユーザのアクティビティによっても決まる。例えば、より多くの情報を漏らすユーザは、ソーシャル・ネットワーク内のアクティブ・ユーザではない誰かよりも危険を伴うアクティビティを行なう。従って、ユーザのプライバシー環境が何であるべきかを判断するために、使用状況は、情報のサブセットとしてもよい。一実施形態においては、プライバシー・リスク・スコアを用いて、ユーザのプライバシー設定をより制限的にするか又はあまり制限的でなくする。ユーザのプライバシー・リスク・スコアを計算するための実施形態が、以下に説明される。

ユーザのプライバシー・リスク・スコアを計算するための例示的な実施形態
ソーシャル・ネットワークのユーザｊについて、プライバシー・リスク・スコアを、そのプロファイル項目のそれぞれによってｊにもたらされるプライバシー・リスクの和として計算することができる。プライバシー・リスク全体における各プロファイル項目の寄与分は、項目の感受性（sensitivity）と、ｊのプライバシー設定及びネットワーク内のｊの位置によって得られる可視性（visibility）によって決まる。一実施形態においては、Ｎ人のユーザ全てが、同じｎ個のプロファイル項目についてのプライバシー設定を指定する。これらの設定は、ｎ×Ｎの応答行列Ｒの形で格納される。項目ｉについてのユーザｊのプロファイル設定Ｒ（ｉ，ｊ）は、ｊが、ｉについての情報をどれくらい自発的に開示するかを決定する整数値であり、この値が大きいほど、ｊは、ｉについての情報をより自発的に開示する。

一般に、Ｒの値が大きいと、より高い可視性を意味する。他方、項目のプライバシー設定の値が小さいと、高い感受性を示し、これは、大部分の人が保護しようと試みる高感受性の項目である。従って、応答行列Ｒ内に格納される、プロファイル項目についてのユーザのプライバシー設定は、ユーザのプライバシー行動についての貴重な情報を有する。従って、第１の実施形態は、ソーシャル・ネットワーク内のあらゆるユーザの位置もまたユーザのプライバシー・リスクに影響を及ぼし、かつ、ネットワーク内のユーザの役割に応じて、プロファイル項目の可視性の設定が強化される（又は弱められる）という考えを用いることにより、ユーザのプライバシー・リスクを計算するように情報を用いる。プライバシー・リスクの計算においては、ソーシャル・ネットワーク構造及び使用モデル、並びに情報の伝搬及びバイラルマーケティング研究からのアルゴリズムが、考慮に入れられる。

一実施形態において、Ｎ個のノードからなるソーシャル・ネットワークＧにおいて、｛１，・・・，Ｎ｝内のあらゆるノードｊが、ネットワークのユーザと関連付けられる。ユーザは、Ｇのエッジに対応するリンクを通して接続される。原則として、リンクは、重み付けされていず、無向のものである。しかしながら、一般化のために、Ｇは有向のものであり、無向ネットワークは、全ての入力済みの無向エッジ（ｊ，ｊ’）に対して、２つの有向エッジ（ｊ→ｊ’）及び（ｊ’→ｊ）を付加することにより、有向のものに変換される。あらゆるユーザは、ｎ個のプロファイル項目からなるプロファイルを有する。各プロファイル項目に対して、ユーザは、この項目と関連した情報を開示するユーザの自発性を判断するプライバシー・レベルを設定する。ｎ個のプロファイル項目についてＮ人のユーザ全てによって選択されたプライバシー・レベルは、ｎ×Ｎの応答行列Ｒ内に格納される。Ｒの行はプロファイル項目に対応し、列はユーザに対応する。

Ｒ（ｉ，ｊ）は、Ｒのｉ番目の行及びｊ番目の列にあるエントリを指し、Ｒ（ｉ，ｊ）は、項目ｉについてのユーザｊのプライバシー設定を指す。応答行列Ｒのエントリが｛０，１｝の値をとるように制限される場合、Ｒは、２値応答行列である。さもなければ、Ｒのエントリが｛０，１，・・・，ｌ｝内の負でない整数値をとる場合、行列Ｒは、多値応答行列である。２値応答行列Ｒにおいて、Ｒ（ｉ，ｊ）＝１は、ユーザｊが、プロファイル項目ｉと関連した情報を公的に入手可能にしたことを意味する。ユーザｊが項目ｉと関連した情報を非公開にした場合、Ｒ（ｉ，ｊ）＝０である。多値応答行列に現れる値の解釈は類似しており、Ｒ（ｉ，ｊ）＝０は、ユーザｊがプロファイル項目ｉを非公開にしたことを意味し、Ｒ（ｉ，ｊ）＝１は、ｊが、項目ｉに関する情報を自分の身近な友人だけに開示することを意味する。一般に、Ｒ（ｉ，ｊ）＝ｋ（ｋは｛０，１，・・・，ｌ｝の範囲内）は、ｊが、項目ｉに関連した情報を、Ｇ内の最大でもｋ個のリンクだけ離れたユーザに開示することを意味する。一般に、Ｒ（ｉ，ｊ）＿Ｒ（ｉ’，ｊ）は、ｊが、項目ｉと比べて、項目ｉ’に対してより保守的なプライバシー設定を有することを意味する。Ｒｉで示される、Ｒのｉ番目の行は、プロファイル項目ｉについて全てのユーザの設定を表す。同様に、Ｒｊで示されるＲのｊ番目の列は、ユーザｊのプロファイル設定を表す。

異なるプロファイル項目についてのユーザの設定は、多くの場合、確率分布によって記述されるランダム変数と考えることができる。こうした場合、観測される応答行列Ｒは、この確率分布に従う応答のサンプルである。２値応答行列の場合、Ｐ（ｉ，ｊ）は、ユーザｊがＲ（ｉ，ｊ）＝１を選択する確率を示す。つまり、Ｐ（ｉ，ｊ）＝Ｐｒｏｂ＿Ｒ（ｉ，ｊ）＝１である。多値応答行列の場合、Ｐ（ｉ，ｊ，ｋ）は、ユーザｊが、Ｒ（ｉ，ｊ）＝ｋを設定する確率を示す。つまり、Ｐ（ｉ，ｊ，ｋ）＝Ｐｒｏｂ＿Ｒ（ｉ，ｊ）＝ｋである。

２値設定におけるプライバシー・リスク
ユーザのプライバシー・リスクは、そのプライバシーの保護を測定するスコアである。ユーザのプライバシー・リスクが高いほど、そのプライバシーへの脅威が大きくなる。ユーザのプライバシー・リスクは、そのプロファイル項目についてユーザが選択するプライバシー・レベルによって決まる。プライバシー・リスクの定義の基本前提は、以下のとおりである。すなわち、
・より多くの感受性情報をユーザが公開するにつれて、そのプライバシー・リスクが高くなる。
・より多くの人がユーザについての情報の部分を知るにつれて、そのプライバシー・リスクが高くなる。

以下の２つの例は、これらの２つの前提を示す。

例１：ユーザｊ及び２つのプロファイル項目、すなわちｉ＝｛携帯電話の番号｝及びｉ’＝｛趣味｝を仮定する。Ｒ（ｉ，ｊ）＝１は、Ｒ（ｉ’，ｊ）＝１と比べて、ｊにとってはるかにリスクが高い設定である。多くの人がｊの趣味を知っていたとしても、このことは、同じ人の集合がｊの携帯電話の番号を知っている場合のような侵入的なシナリオにはなり得ない。

例２：再びユーザｊを仮定し、ｉ＝｛携帯電話の番号｝を単一のプロファイル項目とする。必然的に、Ｒ（ｉ，ｊ）＝１の設定は、Ｒ（ｉ，ｊ）＝０の設定よりもリスクが高い行動であり、ｊの携帯電話を公的に入手可能にすることは、ｊのプライバシー・リスクを増大させる。

一実施形態においては、ユーザｊのプライバシー・リスクが、２つのパラメータ：すなわち、プロファイル項目の感受性及びこれらの項目が受ける可視性の単調増加関数となるように定められる。プロファイル項目の感受性：例１及び例２は、項目の感受性が項目自体によって決まることを示す。従って、項目の感受性は、次のように定められる。

定義１。｛１，・・・，ｎ｝内の項目ｉの感受性がβｉで示され、これは、項目ｉの性質によって決まる。

幾つかのプロファイル項目は、本質的に他のものよりも感受性が高い。例１において、｛携帯電話番号｝は、同じプライバシー・レベルの｛趣味｝よりも感受性が高いと考えられる。プロファイル項目の可視性：ｊによるプロファイル項目ｉの可視性は、ｉについての周知のｊの値が、ネットワークにおいてどのようになるかを捕らえる。これがより広がるにつれて、項目の可視性が大きくなる。Ｖ（ｉ，ｊ）で示される可視性は、値Ｒ（ｉ，ｊ）及びソーシャル・ネットワークＧ内の特定のユーザｊ及びその位置によって決まる。可視性の可能な限り簡単な定義は、Ｖ（ｉ，ｊ）＝Ｉ（Ｒ（ｉ，ｊ）＝１）であり、ここで、Ｉ（条件）は、”条件”が真であるときに１になるインジケータ変数である。これは、項目ｉ及びユーザｊについての観測される可視性である。一般に、Ｒは、あらゆる可能な応答行列における確率分布からのサンプルであると仮定することができる。次に、この仮定に基づいて、可視性が計算される。

定義２。Ｐ（ｉ，ｊ）＝Ｐｒｏｂ＿Ｒ（ｉ，ｊ）＝１である場合、可視性は、Ｖ（ｉ，ｊ）＝Ｐ（ｉ，ｊ）×１＋（１−Ｐ（ｉ，ｊ））×０＝Ｐ（ｉ，ｊ）である。

確率Ｐ（ｉ，ｊ）は、項目ｉ及びユーザｊの両方によって決まる。観測される可視性は、Ｐ（ｉ，ｊ）＝Ｉ（Ｒ（ｉ，ｊ）＝１）である場合の可視性のインスタンスである。ユーザのプライバシー・リスク：Ｐｒ（ｉ，ｊ）で示される、項目ｉによる個々のｊのプライバシー・リスクは、感受性及び可視性のいずれの組み合わせとすることもできる。すなわち、Ｐ（ｉ，ｊ）＝βｉＮＶ（ｉ，ｊ）である。オペレータＮは、Ｐｒ（ｉ，ｊ）が感受性及び可視性の両方と共に単調に増加することを表すいずれかの任意の結合関数を表すために用いられる。

Ｐｒ（ｊ）で示されるユーザｊのプライバシー・リスク全体を評価するために、種々の項目によって、ｊのプライバシー・リスクを結合することができる。この場合も、いずれかの結合関数を用いて、項目ごとのプライバシー・リスクを結合することができる。一実施形態において、個々のｊのプライバシー・リスクは、次のように計算される。：すなわち、Ｐｒ（ｊ）＝（ｉ＝１からｎまでのＰｒ（ｉ，ｊ）の和）＝（ｉ＝１からｎまでのβｉ×Ｖ（ｉ，ｊ）の和）＝（ｉ＝１からｎまでのβｉ×Ｐ（ｉ，ｊ）の和）。この場合も、観測されるプライバシー・リスクは、Ｖ（ｉ，ｊ）が観測される可視性と置き換えられるものである。

２値設定におけるプライバシー・リスクの素朴な（naive）計算
プライバシー・リスク・スコアを計算する一実施形態は、プライバシー・リスクの素朴な計算である。感受性の素朴な計算：項目ｉの感受性βｉは、ユーザがｉ番目のプロファイル項目に関連した情報を公的に入手可能にすることが如何に難しいかを直観的に捕らえる。｜Ｒｉ｜が、Ｒ（ｉ，ｊ）＝１を設定するユーザの数を示す場合、感受性の素朴な計算において、項目ｉを開示するのに積極的でないユーザの比率が計算される。つまり、βｉ＝（Ｎ−｜Ｒｉ｜）／Ｎである。式中で計算される感受性は、［０，１］の値をとり、βｉの値が高いほど、項目ｉの感受性がより高くなる。可視性の素朴な計算：可視性の計算（定義２を参照されたい）は、確率Ｐ（ｉ，ｊ）＝Ｐｒｏｂ＿Ｒ（ｉ，ｊ）＝１の評価を必要とする。項目と個人との間の独立性を仮定すると、Ｐ（ｉ，ｊ）は、行Ｒｉにおける１の確率と列Ｒｊにおける１の確率との積となるように計算される。つまり、｜Ｒ^ｊ｜が、ｊがＲ（ｉ，ｊ）＝１を設定する項目の数である場合、Ｐ（ｉ，ｊ）＝｜Ｒｉ｜／Ｎ×｜Ｒｊ｜／ｎ＝（１−βｉ）×｜Ｒｊ｜／ｎとなる。確率Ｐ（ｉ，ｊ）は、感受性の低い項目及びプロファイル項目の多くを開示する傾向を有するユーザの場合に、より高くなる。このように計算されたプライバシー・リスク・スコアが、Ｐｒ素朴スコアである。

２値設定におけるプライバシー・リスクのＩＲＴベースの計算
プライバシー・リスク・スコアを計算する別の実施形態は、項目応答理論（Item-Response Theory,IRT）からの概念を用いた、ユーザのプライバシー・リスクである。一実施形態において、２パラメータのＩＲＴモデルを用いることができる。このモデルにおいては、あらゆる被験者ｊが、能力レベルθｊ（θｊは（−１，１）の範囲内にある）によって特徴付けられる。あらゆる質問ｑｉが、一対のパラメータξｉ＝（αｉ，βｉ）によって特徴付けられる。パラメータβｉ（βｉは（−１，１）の範囲内にある）は、ｑｉの困難度を表す。パラメータαｉ（αｉは（−１，１）の範囲内にある）は、ｑｉの識別能力を定量化する。モデルの基本ランダム変数は、特定の質問ｑｉに対する被験者ｊの応答である。この応答が「正（correct）」又は「誤（wrong）」（２値応答）のいずれかとしてマーク付けされた場合、２パラメータ・モデルにおいて、ｊが正しく答える確率は、Ｐ（ｉ，ｊ）＝１／（１＋ｅ^（−αｉ（θｊ−βｉ）））により与えられる。従って、Ｐ（ｉ，ｊ）は、パラメータθｊ及びξｉ＝（αｉ，βｉ）の関数である。パラメータξｉ＝（αｉ，βｉ）を有する所定の質問ｑｉの場合、θｊの関数としての上記の式のプロットは、項目特性曲線（Item CharacteristicCurve、ＩＣＣ）と呼ばれる。

パラメータβｉ、すなわち項目の困難度は、Ｐ（ｉ，ｊ）＝０．５である点を示し、これは、項目の困難度が、項目に応答した人の特性ではなく、項目自体の特性であることを意味する。さらに、ＩＲＴは、βｉ及びθｊを同じスケール上に置くので、これらを比較することができる。被験者の能力が質問の困難度より高い場合には、被験者が正しい答えを出す確率はより高く、逆もまた同様である。パラメータαｉ、すなわち項目識別力は、Ｐ（ｉ，ｊ）＝０．５である点におけるＰ（ｉ，ｊ）の傾き＝Ｐｉ（θｊ）に比例し、傾きが急であるほど、問題の識別能力がより高く、そのことは、この問題が、その能力がこの問題の困難度より下である被験者と上である被験者の識別をうまく行なうことができることを意味する。

本出願人らのプライバシー・リスクのＩＲＴベースの計算において、確率Ｐｒｏｂ Ｒ（ｉ，ｊ）＝１が、ユーザ及びプロファイル項目を用いる上記の式を用いて推定される。マッピングは、各被験者がユーザにマッピングされ、各問題がプロファイル項目にマッピングされるというものである。被験者の能力を用いて、ユーザの態度を定量化することができる。すなわち、ユーザｊの場合、その態度θｊは、ｊが自分のプライバシーについてどれだけ懸念しているかを定量化し、低い値のθｊは保守的なユーザを示し、高い値のθｊは無頓着なユーザを示す。困難度パラメータβｉは、プロファイル項目ｉの感受性を定量化するために用いられる。高い感受性値βｉを有する項目は、開示するのがより困難である。一般に、パラメータβｉは、（−１，１）の範囲内のいずれの値をとることもできる。項目の感受性に対するプライバシー・リスクの単調性を維持するために、｛１，・・・，ｎ｝内の全てのＩについて、βｉが０より大きいか又は０に等しいことが保証される。これは、全ての項目の感受性値を、βｍｉｎ＝ａｒｇｍｉｎｉ∈｛１，．．．，ｎ｝βｉだけシフトさせることによって、処理することができる。上記のマッピングにおいて、パラメータαｉは無視される。

プライバシー・リスクを計算するために、｛１，・・・，ｎ｝内の全ての項目ｉについての感受性βｉ、及び、確率Ｐ（ｉ，ｊ）＝Ｐｒｏｂ Ｒ（ｉ，ｊ）＝１が計算される。後者の計算において、ｎより小さいか又はｎに等しいｉより１だけ小さいか又はｉに等しい場合の全てのパラメータξｉ＝（αｉ，βｉ）、及び、Ｎより小さいか又はＮに等しいｉより１だけ小さいか又はｉに等しい場合のθｊが求められる。

３つの独立性の仮定は、ＩＲＴモデルに内在する：すなわち、（ａ）項目間の独立性、（ｂ）ユーザ間の独立性、及び（ｃ）ユーザと項目との間の独立性である。これらの方法を用いて計算されたプライバシー・リスク・スコアが、Ｐｒ ＩＲＴスコアである。

感受性のＩＲＴベースの計算
特定の項目ｉの感受性βｉを計算する際、副産物として、同じ項目についてのαｉの値が得られる。項目は独立しているので、パラメータξｉ＝（αｉ，βｉ）の計算は、項目ごとに別個に行なわれる。Ｎ人の個人の態度〜θ＝（θ１， . . . , θＮ)が、入力の一部として与えられると仮定してξｉをどのように計算するかが以下に示される。態度が未知であるときの項目のパラメータの計算が、さらに示される。

項目パラメータの推定
尤度関数は、

のように定義される。

従って、ξｉ＝（αｉ，βｉ）は、尤度関数を最大化するように推定される。上記の尤度関数は、ユーザごとに異なる態度を仮定する。一実施形態において、オンラインのソーシャル・ネットワーク・ユーザは、ユーザの集合｛１，・・・，Ｎ｝をＫ個の重なり合わないグループ｛Ｆ１，．．．，ＦＫ｝に区分化して、ｇ＝１からＫまでのＦｇの和集合＝｛１，・・・、Ｎ｝となるようにするグループを形成する。θｇをグループＦｇの態度とし（Ｆｇの全てのメンバーが、同じ態度θｇを共有する）、ｆｇ＝｜Ｆｇ｜とする。同様に、各項目ｉについて、ｒｉｇをＲ（ｉ，ｊ）＝１と設定するＦｇ内の人の数とする、つまり、ｒｉｇ＝｜｛ｊ｜Ｆｇ内のｊ及びＲ（ｉ，ｊ）＝１｝｜とする。こうしたグループ化が与えられた場合、尤度関数は、

のように書くことができる。

定数を無視した後、対応する対数尤度関数は、

となる。

項目パラメータξｉ＝（αｉ，βｉ）は、対数尤度関数を最大化するように推定される。一実施形態において、ニュートン・ラプソン法が用いられる。ニュートン・ラプソン法は、偏導関数：

が与えられた場合、パラメータξｉ＝（αｉ，βｉ）を反復的に推定する方法である。反復（ｔ＋１）において、

で示されるパラメータの推定値は、以下の：

のような反復ｔにおける対応する推定値から計算される。

反復（ｔ＋１）において、導関数Ｌ１、Ｌ２、Ｌ１１、Ｌ２２、Ｌ１２、及びＬ２１の値は、反復ｔにおいて計算されたαｉ及びβｉの推定値を用いて計算される。

｛１，・・・，ｎ｝内の全ての項目ｉについてのξｉ＝（αｉ，βｉ）を計算するための一実施形態において、態度〜θを有するＮ人のユーザの集合が、Ｋ個のグループに区分化される。区分化により、それらの態度に基づいて、Ｋ個のクラスタへのユーザの１次元のクラスタ化が実施され、これは、動的プログラミングを用いて最適に行なうことができる。

この手順の結果は、Ｋ個のグループ｛Ｆ１，．．．，ＦＫ｝へのユーザのグループ化であり、グループの態度θｇは、Ｋより少ないか又はＫに等しいｇより１だけ少ないか又はｇに等しい。このグループ化が与えられた場合、ｎより小さいか又はｎに等しいｉより１だけ小さいか又はｉと等しいｆｇの値、及び、Ｋより小さいか又はＫに等しいｇより１だけ小さいか又はｇと等しいｒｉｇの値が、計算される。これらの値が与えられた場合、項目ＮＲ推定は、ｎ個の項目のそれぞれについて上記の式を実行する。

項目パラメータ推定のためのＥＭアルゴリズム
一実施形態においては、ユーザの態度を知ることなく、よって、入力として応答行列Ｒのみを有した状態で、項目パラメータを計算することができる。〜ξ＝（ξ１，．．．，ξｎ）を、全ての項目についてのパラメータのベクトルとする。従って、応答行列Ｒが与えられた場合、〜ξが推定される（すなわち、Ｐ（Ｒ｜〜ξ）を最大化する〜ξ）。〜θを隠れた観測できない変数とする。従って、Ｐ（Ｒ｜〜ξ）＝（Ｐ（Ｒ，〜θ｜〜ξ）の〜θについての和）である。期待値−最大化法（ＥＭ）を用いて、〜ξが計算され、上記の限界は、以下の期待値関数：

を最大化することによって、局大に達する。

Ｋ個のグループへのユーザのグループ化については、

となる。

この期待値Ｅをとることにより：

が生成される。

ＥＭアルゴリズムを用いて式を最大化して、反復（ｔ＋１）におけるパラメータの推定値が、次の漸化式：

を用いて反復ｔにおける推定されたパラメータから、計算される。

ＥＭアルゴリズムについての疑似コードが、以下のアルゴリズム２において与えられる。アルゴリズムの各々の反復は、期待値ステップ（Expectation step）及び最大化ステップ（Maximization step）からなる。

固定された推定値〜ξについては、期待値ステップにおいて、〜θが、事後確率分布Ｐ（θ｜Ｒ，ξ）からサンプリングされ、期待値が計算される。最初に、Ｋ個のグループの仮定の下での〜θのサンプリングは、あらゆるグループｇ∈｛１，．．．，Ｋ｝について、分布Ｐ（θｇ｜Ｒ，〜ξ）から態度θｇをサンプリングできることを意味する。確率の計算が既知であると仮定すると、期待値の定義を用いて、あらゆる項目ｉ及びグループｇ∈｛１，．．．，Ｋ｝についての項Ｅ［ｆｉｇ］及びＥ［ｒｉｇ］を計算することができる。つまり、

となる。

グループ内のユーザのメンバーシップは、確率論的である。つまり、あらゆる個人は、何らかの確率であらゆるグループに所属する。これらのメンバーシップ確率の和は、全てのグループについてのｆｉｇ及びｒｉｇの値を知ることに等しく、全ての項目は、期待値の式の評価を可能にする。最大化ステップにおいては、期待値を最大化する新しい〜ξが計算される。あらゆる項目ｉについてパラメータξｉを独立に計算することによって、ベクトル〜ξが形成される。

態度〜θの事後確率：ＥＭフレームワークを適用するために、事後確率分布Ｐ（〜θ｜Ｒ，〜ξ）から、ベクトル〜θがサンプリングされる。実際には、この確率分布は未知のものである可能性があるが、サンプリングは依然として行なうことができる。ベクトル〜θは、各個人ｊ∈｛１，．．．，Ｎ｝の態度レベルからなる。さらに、ｇ＝１からＫまでの態度｛θｇ｝を有するＫ個のグループの存在の仮定が存在する。サンプリングは、次のように進む。：すなわち、各グループｇについて、能力レベルθｇがサンプリングされ、任意のユーザｊ∈｛１，．．．，Ｎ｝が能力レベルθｊ＝θｇを有する事後確率が計算される。確率の定義により、この事後確率は：

となる。

関数ｇ（θｊ）は、ユーザの母集団における態度の確率密度関数である。この確率密度関数は、ユーザの態度についての事前知識をモデル化するために用いられる（ユーザの態度の事前分布と呼ばれる）。標準的な慣習に従って、事前分布は、全てのユーザについて同じであると仮定される。さらに、関数ｇは、正規分布の密度関数であると仮定される。

あらゆる態度θｊの事後確率の評価は、積分の評価を必要とする。この問題は、次のように克服される。すなわち、Ｋ個のグループの存在が仮定されるので、Ｋ個の点Ｘ１，．．．ＸＫだけが、能力尺度でサンプリングされる。各々のｔ∈｛１，．．．，Ｋ｝について、態度の値Ｘｔにおける態度関数の密度について、ｇ（Ｘｔ）が計算される。次に、Ａ（Ｘｔ）が、点（Ｘｔ−０．５，０）、（Ｘｔ＋０．５，０）、（Ｘｔ−０．５，ｇ（Ｘｔ））及び（Ｘｔ＋０．５，ｇ（Ｘｔ））によって定められた矩形の面積として設定される。Ａ（Ｘｔ）の値は、（ｔ＝１からＫまでのＡ（Ｘｔ）の和）＝１となるように正規化される。そのようにして、Ｘｔの事後確率は、次の式：

によって得られる。

可視性のＩＲＴベースの計算
可視性の計算は、Ｐ（ｉ，ｊ）＝Ｐｒｏｂ（Ｒ（ｉ，ｊ）＝１）の評価を必要とする。
項目パラメータ〜α＝（α１，．．．，αｎ）及び〜β＝（β１，．．．，βｎ）が与えられた場合、個人の態度を計算するためのニュートン−ラプソン手順である、ＮＲ態度推定アルゴリズムが説明される。これらの項目パラメータは、入力として与えることができ、又はＥＭアルゴリズム（アルゴリズム２を参照されたい）を用いて計算することができる。各個人ｊについて、ＮＲ態度推定は、ｉ＝１からｎまでのＰ（ｉ，ｊ）＾（Ｒ（ｉ，ｊ））（１−Ｐ（ｉ，ｊ））＾（１−Ｒ（ｉ，ｊ）の乗積級数として定義された尤度、又は、対応する次の：

のような対数尤度を最大化するθｊを計算する。

〜α及び〜βは、入力の一部であるので、最大化するための変数は、θｊである。^θｊで示されるθｊの推定値は、再びニュートン−ラプソン法を用いて反復的に得られる。より具体的には、反復（ｔ＋１）における推定値＾θｊ、すなわち［＾θｊ］ｔ＋１は、次の：

のように反復ｔにおける推定値［＾θｊ］ｔを用いて計算される。

多値設定におけるプライバシー・リスク
入力が２値応答行列Ｒであるときのユーザのプライバシー・リスクの計算が説明された。以下で、多値応答行列を扱うために、前のセクションで説明された定義及び方法が拡張される。多値行列においては、あらゆるエントリＲ（ｉ，ｊ）＝ｋであり、ｋ∈｛１，．．．，ｌ｝である。Ｒ（ｉ，ｊ）の値が小さいほど、プロファイル項目ｉに関するユーザｊのプライバシー設定は、より保守的になる。前に与えられたプライバシー・リスクの定義が、多値の場合に拡張される。同様に、素朴な手法及びＩＲＴベースの手法を用いてプライバシー・リスクをどのように計算できるかも、以下に示される。

２値の場合におけるように、プロファイル項目ｉに関するユーザｊのプライバシー・リスクは、項目ｉの感受性及び可視性の関数であり、項目ｉは、ｊによってソーシャル・ネットワークの中に入る。多値の場合においては、感受性及び可視性の両方とも、項目自体と、項目に割り当てられたプライバシー・レベルｋとによって決まる。従って、プライバシー・レベルｋに関する項目の感受性は、次のように定められる。

定義３：プライバシー・レベルｋ∈｛１，．．．，ｌ｝に対する項目ｉ∈｛１，．．．，ｎ｝の感受性は、βｉｋで示される。関数βｉｋは、ｋに対して単調に増加し、項目ｉについて選択されたプライバシー・レベルｋが大きいほど、その感受性が高くなる。

定義３の妥当性が、次の例において示される。
例５：ユーザｊ及びプロファイル項目ｉ＝｛携帯電話番号｝と仮定する。Ｒ（ｉ，ｊ）＝３の設定により、項目ｉは、Ｒ（ｉ，ｊ）＝１の設定よりも高感受性になる。前者の場合、項目ｉはさらに多くのユーザに開示されるので、これが誤用される可能性も多くなる。

同様に、項目の可視性が、そのプライバシー・レベルの関数になる。従って、定義２を次のように拡張することができる。
定義４：Ｐｉ，ｊ，ｋ＝Ｐｒｏｂ｛Ｒ（ｉ，ｊ）＝ｋ｝である場合、レベルｋにおける可視性は、Ｖ（ｉ，ｊ，ｋ）＝Ｐｉ，ｊ，ｋ×ｋである。

定義３及び定義４が与えられた場合、ユーザｊのプライバシー・リスクは：

のように計算される。

多値設定においてプライバシー・リスクを計算するための素朴な手法
多値の場合、項目の感受性は、各レベルｋについて別個に計算される。従って、感受性の素朴な計算値は、次の：

である。

多値の場合の可視性は、確率Ｐｉ，ｊ，ｋ＝Ｐｒｏｂ｛Ｒ（ｉ，ｊ）＝ｋ｝の計算を必要とする。項目とユーザとの間の独立性を仮定することによって、この確率は、次の：

のように計算することができる。

確率Ｐｉｊｋは、行ｉにおいて観測される値ｋの確率と列ｊにおいて観測される値ｋの確率との積である。２値の場合におけるように、上記の式を用いて計算されたスコアは、Ｐｒ素朴スコア（Pr Naive score）である。

多値設定においてプライバシー・リスク・スコアを求めるためのＩＲベースの手法
多値応答行列の取り扱いは、ＩＲＴベースのプライバシー・リスクについては、わずかにより複雑である。プライバシー・リスクの計算は、（ｌ＋１）個の２値応答行列Ｒ＊０、Ｒ＊１，．．．，Ｒ＊ｌへの多値応答行列Ｒの変換である。各々の行列Ｒ＊ｋ（ｋ∈｛１，．．．，ｌ｝に対して）は、Ｒ（ｉ，ｊ）≧ｋの場合にはＲ＊ｋ（ｉ，ｊ）＝１であり、他の場合にはＲ＊ｋ（ｉ，ｊ）＝０となるように構成される。Ｐ＊ｉｊｋ＝Ｐｒｏｂ｛Ｒ（ｉ，ｊ）≧ｋ｝とする。行列Ｒ＊ｉ０が、１に等しい全てのエントリを有するので、全てのユーザについてＰｉｊ０＝１である。ｋ∈｛１，．．．，ｌ｝である他の２値応答行列Ｒ＊ｋについては、Ｒ＊ｋ（ｉ，ｊ）＝１の設定の確率は：

のように与えられる。

構成により、あらゆるｋ’，ｋ∈｛１，．．．，ｌ｝及びｋ’＜ｋについて、行列Ｒ＊ｋは、行列Ｒ＊ｋ’内に現れる１−エントリのサブセットのみを含む。従って、Ｐ＊ｉｊｋ’≧Ｐｉｊｋである。従って、ｋ∈｛１，．．．，ｌ｝の場合のＰ＊ｉｊｋのＩＣＣ曲線は交差しない。この観測は、次の推論をもたらす。すなわち、
推論１：項目ｉ及びプライバシー・レベルｋ∈｛１，．．．，ｌ｝について、β＊ｉ１＜．．．＜．．．β＊ｉｋ＜．．．＜β＊ｉｌである。
さらに、曲線Ｐｉｊｋは、交差しないので、α＊ｉ１＝．．．＝α＊ｉｋ＝．．．＝α＊ｉｌ＝α＊ｉである。

Ｐｉｊ０＝１であるので、α＊ｉ０及びβ＊ｉ０は定められない。

プライバシー・リスクの計算は、Ｐｉｊｋ＝Ｐｒｏ｛Ｒ（ｉ，ｊ）＝ｋ｝の計算を必要とし得る。この確率はＰ＊ｉｊｋとは異なるが、なぜなら、前者はエントリＲ（ｉ，ｊ）＝ｋの確率を指し、後者は累積確率Ｐ＊ｉｊｋ＝（ｋ’＝ｋからｌまでのＰｉｊｋの和）であるためである。
代替的に：

である。

上記の式は、Ｐ＊ｉｋとＰｉｋとの間の次の関係に一般化することができる：すなわち、あらゆる項目ｉ、態度θｊ及びプライバシー・レベルｋ∈｛１，．．．，ｌ｝について、

である。

ｋ＝ｌの場合、Ｐｉｌ（θｊ）＝Ｐ^＊ｉｌ（θｊ）である。
命題１：ｋ∈｛１，．．．，ｌ−１｝の場合、βｉｋ＝（β＊ｉｋ＋β＊ｉ（ｋ＋１）／２である。同様に、βｉ０＝β＊ｉ１及びβｉｌ＝β＊ｉｌである。

命題１及び推論１は、推論２をもたらす。：
推論２：ｋ∈｛１，．．．，ｌ｝の場合、βｉ０＜βｉ１＜．．．＜βｉｌである。

多値設定についてのＩＲＴベースの感受性：プライバシー・レベルｋに対する項目ｉの感受性βｉｋは、Ｐｉｊｋ曲線の感受性パラメータである。これは、最初に、感受性パラメータβ＊ｉｋ及びβ＊ｉ（ｋ＋１）を計算することにより計算される。次に、命題１を用いてβｉｋを計算する。

目標は、各項目ｉについての感受性パラメータβ＊ｉ１，．．．，β＊ｉｌを計算することである。２つの場合が考えられる：すなわち、ユーザの態度〜θが応答行列Ｒと共にその一部として与えられる場合、及び、入力がＲだけからなる場合である。第２の場合について言及すると、１≦ｋ≦ｌの場合の全ての（ｌ＋１）個の未知のパラメータα＊ｉ及びβ＊ｉｋが同時に計算される。Ｎ人の個人の集合をＫ個のグループに区分化でき、ｇ番目のグループ内の全ての個人が同じ態度θｇを有すると仮定する。同様に、Ｐｉｋ（θｇ）を、グループｇ内の個人ｊが、Ｒ（ｉ，ｊ）＝ｋを設定する確率とする。最終的に、ｆｇにより、ｇ番目のグループ内のユーザの総数が示され、ｒｇｋにより、Ｒ（ｉ，ｊ）＝ｋを設定するｇ番目のグループ内の人の数が示される。このグループ化が与えられた場合、多値の場合におけるデータの尤度は：

のように書くことができる。
定数を無視した後、対応する対数尤度関数は：

となる。

最後の３つの式に関する減算を用いて、Ｌを、未知数が（ｌ＋１）個のパラメータ（α＊ｉ，β＊ｉ１，．．．，β＊ｉｌ）のみである関数に変換することができる。これらのパラメータの計算は、既述のものに類似した反復ニュートン−ラプソン手順を用いて行なわれるが、但し、ここでは対数尤度関数Ｌの偏導関数を計算するためのより多くの未知のパラメータが存在するという違いがある。

多値設定におけるＩＲＴベースの可視性：多値の場合の可視性値の計算は、全ての個人について態度〜θの計算を必要とする。項目パラメータα＊ｉ，β＊ｉ１，．．．，β＊ｉｌが与えられた場合、ＮＲ態度推定に類似した手順を用いて、各ユーザごとに独立に計算を行なうことができる。違いは、計算のために用いられる尤度関数が、前の式において与えられたものであるという点である。

多値型応答行列についての感受性及び可視性のＩＲＴベースの計算は、あらゆるユーザに対してプライバシー・リスク・スコアを与える。２値型ＩＲＴ計算におけるように、このように得られたスコアは、Ｐｒ ＩＲＴスコアと呼ばれる。

システム及び方法の実施のための例示的なコンピュータ・アーキテクチャ
図４は、プライバシー設定及び／又はプライバシー環境の計算を実施するための例示的なコンピュータ・アーキテクチャを示す。一実施形態においては、コンピュータ・アーキテクチャは、図２のコンソール２０５の一例である。図４の例示的なコンピュータ・アーキテクチャは、１）１つ又は複数のプロセッサ４０１；２）メモリ制御ハブ（ＭＣＨ）４０２；３）システム・メモリ４０３（ＤＤＲ ＲＡＭ、ＥＤＯ ＲＡＭ等のような異なるタイプが存在する）；４）キャッシュ４０４；５）Ｉ／Ｏ制御ハブ（ＩＣＨ）４０５；６）グラフィックス・プロセッサ４０６；７）ディスプレイ／スクリーン４０７（陰極線管（ＣＲＴ）、薄膜トランジスタ（ＴＦＴ）、液晶ディスプレイ（ＬＣＤ）、ＤＰＬ等のような異なるタイプが存在する）；及び／又は８）１つ又は複数のＩ／Ｏデバイス４０８を含む。

１つ又は複数のプロセッサ４０１は、コンピュータ・システムが実施するどのようなソフトウェア・ルーチンをも実行するために、命令を実行する。例えば、プロセッサ４０１は、インジケータを決定及び翻訳し、又はプライバシー・リスク・スコアを求める動作を実行することができる。命令は、データを用いて実行されるある種の動作を必要とすることが多い。データも命令も、システム・メモリ４０３及びキャッシュ４０４内に格納される。データは、インジケータを含むことができる。キャッシュ４０４は、典型的には、システム・メモリ４０３よりも短い待ち時間を有するように設計される。例えば、キャッシュ４０４は、プロセッサと同じシリコン・チップの上に統合することができ、及び／又は、より速いＳＲＡＭセルを有するように構成することができ、システム・メモリ４０３は、より遅いＤＲＡＭセルを有するように構成することができる。システム・メモリ４０３とは対照的に、より頻繁に使用される命令及びデータをキャッシュ４０４内に格納する傾向により、コンピューティング・システムの全体的な性能効率が改善する。

システム・メモリ４０３が、意図的に、コンピューティング・システム内の他のコンポーネントに利用できるようにされる。例えば、種々のインターフェースからコンピューティング・システム（例えば、キーボード及びマウス、プリンタ・ポート、ＬＡＮポート、モデム・ポート等）に受け取った、又は、コンピューティング・システムの内部格納要素（例えば、ハードディスク）から取り出したデータは、ソフトウェア・プログラムの実施において１つ又は複数のプロセッサ４０１により動作される前に、システム・メモリ４０３内に一時的にキューに入れられることが多い。同様に、ソフトウェア・プログラムが決定するデータは、コンピューティング・システム・インターフェースの１つを通して、コンピューティング・システムから外部エンティティに送るか、又は内部格納要素内に格納すべきであり、伝送又は格納される前に、システム・メモリ４０３内に一時的にキューに入れられることが多い。

ＩＣＨ４０５は、こうしたデータが、システム・メモリ４０３と適切な対応するコンピューティング・システム・インターフェース（とコンピューティング・システムがそのように設計される場合には、内部格納装置）との間で適切に送られることを保証する役割を担う。ＭＣＨ４０２は、互いに対して遅れずに近接して発生し得る、プロセッサ４０１と、インターフェースと、内部格納要素との間のシステム・メモリ４０３のアクセスに対する種々の競合する要求を管理する役割を担う。

１つ又は複数のＩ／Ｏデバイス４０８はまた、典型的なコンピューティング・システム内にも実装される。Ｉ／Ｏデバイスは、一般に、コンピューティング・システム（例えば、ネットワーキング・アダプタ）間のデータ転送、或いは、コンピューティング・システム（例えば、ハードディスク・ドライブ）内の大規模な不揮発性ストレージの役割を担う。ＩＣＨ４０５は、これ自体と観測されるＩ／Ｏデバイス４０８との間に二方向の２地点間リンクを有する。一実施形態において、Ｉ／Ｏデバイスは、ソーシャル・ネットワーキング・サイトから情報を送受信して、ユーザについてのプライバシー設定を定める。

特許請求されるシステムの異なる実施形態のモジュールは、ソフトウェア、ハードウェア、ファームウェア、又はこれらのいずれかの組み合わせを含むことができる。モジュールは、著作権のある（proprietary）ソフトウェア又は一般に公開されている（public）ソフトウェアを実行している、公共用プロセッサ又は専用プロセッサ、或いは汎用プロセッサが利用できるソフトウェア・プログラムとすることができる。ソフトウェアはまた、署名の作成及び編成、並びに再コンパイル管理専用に書かれた特化したプログラムとすることもできる。例えば、システムのストレージは、これらに限られるものではないが、ハードウェア（フロッピーディスケット、光ディスク、ＣＤ−ＲＯＭ及び光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュ、磁気又は光カード、伝播媒体、又は他のタイプの媒体／機械可読媒体など）、ソフトウェア（ハードウェア・ストレージ・ユニット上への情報の格納を必要とする命令など）、又はこれらのいずれかの組み合わせを含むことができる。

さらに、本発明の要素は、機械実行可能命令を格納するための機械可読媒体として提供することもできる。機械可読媒体は、これらに限られるものではないが、フロッピーディスケット、光ディスク、ＣＤ−ＲＯＭ、光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュ、磁気又は光カード、伝播媒体、又は電子命令の格納に適した他のタイプの媒体／機械可読媒体を含むことができる。

図に示される例示的な方法の場合、本発明の実施形態は、上述したような種々のプロセスを含むことができる。このプロセスは、汎用プロセッサ又は専用プロセッサに特定のステップを実行させる機械実行可能命令の形で具体化することができる、代替的に、これらのプロセスは、該プロセスを実行するための配線論理を含む特定のハードウェア・コンポーネントによって、又は、プログラムされたコンピュータ・コンポーネントとカスタム・ハードウェア・コンポーネントのいずれかの組み合わせによって実行することができる。

本発明の実施形態は、提示される種々のプロセスの全てを必要とするものではなく、提示される特定のプロセスを用いずに、又は提示されていない追加のプロセスを用いて、本発明の実施形態を実施する方法に関して、当業者が思い付くことが可能である。

概要
本発明の実施形態の上記の説明は、図示及び説明目的のためだけに提示されるものであり、網羅的であること、又は、本発明を開示される精密な形態に制限することを意図するものではない。本発明の精神及び範囲から逸脱することなく、多数の修正及び変形が可能であることが、当業者には明らかである。例えば、ソーシャル・ネットワーク内で又はソーシャル・ネットワーク間でプライバシー設定を伝搬するように説明されたが、設定の伝搬は、プライバシー設定を共有する２つのコンピュータのようなデバイス間で行なうことができる。

１００：ソーシャル・グラフ
１０１、２０３：ユーザ
１０２、１０３、１０４、１０５、１０６、１１４、２０１：人
１０７、１０８、１０９、１１０、１１１、１１２、１１５：リンク
２０２、２０４：ソーシャル・ネットワーク
２０５：コンソール
４０１：プロセッサ
４０３：システム・メモリ
４０４：キャッシュ
４０７：ディスプレイ
４０６：グラフィックス・プロセッサ
４０８：Ｉ／Ｏデバイス

Claims (20)

1. セキュリティ設定及び／又はプライバシー設定を管理する方法であって、
   第１のクライアントを第２のクライアントに通信可能に結合することと、
   前記第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を、前記第１のクライアントから前記第２のクライアントに伝搬することと、
   前記第２のクライアントにおいて、前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定の前記部分を受信したとき、前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定の前記受信した部分を、前記第２のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定に組み込むことと、
   を含む方法。
2. 前記第１のクライアント及び前記第２のクライアントは、ソーシャル・ネットワーク上のプロファイルである、請求項１に記載の方法。
3. 前記第１のクライアントは、第１のソーシャル・ネットワーク上のプロファイルであり、前記第２のクライアントは、第２のソーシャル・ネットワーク上のプロファイルである、請求項１に記載の方法。
4. 前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定と比較することと、
   前記比較から、前記第２のクライアントに伝搬される前記複数のセキュリティ設定及び／又はプライバシー設定の前記部分を決定することと、
   をさらに含む、請求項１に記載の方法。
5. 複数のクライアントを前記第２のクライアントと通信可能に結合することと、
   前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記複数のクライアントの各々についての複数のセキュリティ設定及び／又はプライバシー設定と比較することと、
   前記比較から、前記複数のクライアントについてのどのセキュリティ設定及び／又はプライバシー設定が、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込まれるかを決定することと、
   組み込まれる前記セキュリティ設定及び／又はプライバシー設定を前記第２のクライアントに伝搬することと、
   前記第２のクライアントにおいて、組み込まれる前記セキュリティ設定及び／又はプライバシー設定を受信したとき、前記受信したセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込むことと、
   をさらに含む、請求項１に記載の方法。
6. 前記複数のクライアント及び前記第２のクライアントは、前記第２のクライアントについてのソーシャル・グラフを形成する、ソーシャル・ネットワーク上の複数のプロファイルである、請求項５に記載の方法。
7. 前記複数のセキュリティ設定及び／又はプライバシー設定を比較することは、第１のクライアントのプライバシー・リスクを計算することを含む、請求項６に記載の方法。
8. セキュリティ設定及び／又はプライバシー設定を管理するためのシステムであって、
   第１のクライアントを第２のクライアントに通信可能に結合するように構成された結合モジュールと、
   前記第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を、前記第１のクライアントから前記第２のクライアントに伝搬するように構成された伝搬モジュールと、
   前記第２のクライアントにおいて、前記第１のクライアントについてのセキュリティ設定及び／又はプライバシー設定の前記部分を受信したとき、前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定の前記受信した部分を、前記第２のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定に組み込むように構成された統合モジュールと、
   を含むシステム。
9. 前記第１のクライアント及び前記第２のクライアントは、ソーシャル・ネットワーク上のプロファイルである、請求項８に記載のシステム。
10. 前記第１のクライアントは、第１のソーシャル・ネットワーク上のプロファイルであり、前記第２のクライアントは、第２のソーシャル・ネットワーク上のプロファイルである、請求項８に記載のシステム。
11. 前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定と比較し、
    前記比較から、前記第２のクライアントに伝搬される前記複数のセキュリティ設定及び／又はプライバシー設定の前記部分を決定する、
    ように構成された比較モジュールをさらに含む、請求項８に記載のシステム。
12. 前記結合モジュールは、複数のクライアントを前記第２のクライアントと通信可能に結合するようにさらに構成され、
    前記比較モジュールは、
    前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記複数のクライアントの各々についての複数のセキュリティ設定及び／又はプライバシー設定と比較し、
    前記比較から、前記複数のクライアントについてのどのセキュリティ設定及び／又はプライバシー設定をが、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込まれるかを決定する、
    ようにさらに構成され、
    前記伝搬モジュールは、組み込まれる前記セキュリティ設定及び／又はプライバシー設定を前記第２のクライアントに伝搬するようにさらに構成され、
    前記統合モジュールは、前記第２のクライアントにおいて、組み込まれる前記セキュリティ設定及び／又はプライバシー設定を受信したとき、前記受信したセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込むようにさらに構成される、請求項８に記載のシステム。
13. 前記複数のクライアント及び前記第２のクライアントは、前記第２のクライアントについてのソーシャル・グラフを形成する、ソーシャル・ネットワーク上の複数のプロファイルである、請求項１２に記載のシステム。
14. 前記複数のセキュリティ設定及び／又はプライバシー設定の比較の際、第１のクライアントについてプライバシー・リスク・スコアが計算される、請求項１３に記載のシステム。
15. コンピュータ可読プログラムを格納するためのコンピュータ使用可能ストレージ媒体を含むコンピュータ・プログラム製品であって、前記コンピュータ可読プログラムは、コンピュータ上で実行されるとき、前記コンピュータに、
    第１のクライアントを第２のクライアントに通信可能に結合することと、
    前記第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の部分を、前記第１のクライアントから前記第２のクライアントに伝搬することと、
    前記第２のクライアントにおいて、前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定の前記部分を受信したとき、前記第１のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定の前記受信した部分を、前記第２のクライアントについての複数のセキュリティ設定及び／又はプライバシー設定に組み込むことと、
    を含む動作を実行させる、コンピュータ・プログラム製品。
16. 前記第１のクライアント及び前記第２のクライアントは、ソーシャル・ネットワーク上のプロファイルである、請求項１５に記載のコンピュータ・プログラム製品。
17. 前記第１のクライアントは、第１のソーシャル・ネットワーク上のプロファイルであり、前記第２のクライアントは、第２のソーシャル・ネットワーク上のプロファイルである、請求項１５に記載のコンピュータ・プログラム製品。
18. 前記コンピュータ可読プログラムは、前記コンピュータに、
    前記第１のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定と比較することと、
    前記比較から、前記第２のクライアントに伝搬される前記複数のセキュリティ設定及び／又はプライバシー設定の前記部分を決定することと、
    をさらに含む動作を実行させる、請求項１５に記載のコンピュータ・プログラム製品。
19. 前記コンピュータ可読プログラムは、前記コンピュータに、
    複数のクライアントを前記第２のクライアントと通信可能に結合することと、
    前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定を、前記複数のクライアントの各々についての複数のセキュリティ設定及び／又はプライバシー設定と比較することと、
    前記比較から、前記複数のクライアントについてのどのセキュリティ設定及び／又はプライバシー設定を、前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込むかを決定することと、
    組み込まれる前記セキュリティ設定及び／又はプライバシー設定を前記第２のクライアントに伝搬することと、
    前記第２のクライアントにおいて、組み込まれる前記セキュリティ設定及び／又はプライバシー設定を受信したとき、前記受信したセキュリティ設定及び／又はプライバシー設定を前記第２のクライアントについての前記複数のセキュリティ設定及び／又はプライバシー設定に組み込むことと、
    をさらに含む動作を実行させる、請求項１５に記載のコンピュータ・プログラム製品。
20. 前記複数のクライアント及び前記第２のクライアントは、前記第２のクライアントについてのソーシャル・グラフを形成するソーシャル・ネットワーク上の複数のプロファイルである、請求項１５に記載のコンピュータ・プログラム製品。

Images