社交网络提供的信息发布平台降低了信息发布标准的门槛,容易导致敏感信息在社交网络中大肆传播的安全隐患。现有的敏感实体识别模型未考虑到现实生活中,同一用户同时参与多个社交平台的情况,缺乏全面性。同时,也未考虑到社交敏感实体具有规模小、表征多、存在场景复杂等特点,获取的字词向量表示往往缺乏代表性。因此,构建多源异构社交网络场景,通过获取敏感社交信息,对数据量小且表征复杂的敏感实体进行识别,成为了命名实体识别领域的研究热点。本文主要研究内容如下:（1）异构社交网络中基于Hete Sim-Measured的敏感实体识别模型研究。为了在多源异构社交网络场景下,通过提取包含敏感实体的社交信息,减少对无用样本的识别,从而提升敏感实体识别准确率,本文提出了一种异构社交网络中基于Hete Sim-Measured的敏感实体识别模型。该模型首先构建了多源异构社交网络;其次,改进了度量异构实体之间相似性的Hete Sim算法,通过度量相似度获得较为敏感的社交信息节点序列;之后,利用异构网络嵌入技术,将较为敏感的社交信息节点序列嵌入同一低维特征空间;最后,通过两次聚类方法,将敏感社交信息从一般社交信息中提取出来,作为新的识别样本,从而提高敏感实体识别准确率。实验结果表明,本文提出的模型,在相同的社交信息输入情况下,相比于主流敏感实体识别模型,有着更好的准确率、召回率与F1值,能更加准确地识别敏感实体。（2）基于特征融合和数据增强的社交敏感实体识别模型研究。为了对数据量小且表征复杂的敏感实体进行识别,本文提出了一种基于特征融合和数据增强的社交敏感实体识别模型。该模型通过特征融合的方法,将敏感社交信息的动态字词特征与静态字词特征进行融合,获得小样本敏感社交信息的完整向量特征,解决敏感实体表征复杂、缺乏代表性的问题。同时,利用基于词汇替换的方法,拓展小样本的敏感社交信息训练样本,完成数据增强,解决敏感实体数据量小的问题。实验结果表明,在相同的社交信息输入情况下,相比于主流敏感实体识别模型,本文提出的模型有着更好的准确率、召回率与F1值,能更准确地识别敏感实体。