随着互联网技术的快速发展,推荐系统已广泛应用于电子商务领域。推荐系统根据用户的历史购买记录,向用户推荐其可能感兴趣的商品,让用户体验到更好地推荐服务,进而促进线上销量提升。然而,推荐服务依赖于用户的历史评分信息,一旦推荐系统受到攻击,很可能导致用户的隐私信息泄露。为了用户的隐私安全,必须要为推荐系统中的用户数据提供隐私保护。传统的隐私保护技术很难抵御背景知识攻击,而近些年出现的差分隐私技术能够很好地解决这个问题。差分隐私技术是通过向用户敏感信息中加入可控的噪声,从而实现对用户隐私的保护。本篇论文主要研究了两种差分隐私保护的集成推荐方案,主要工作如下:(1)设计了一种基于差分隐私保护的集成推荐方案(DP-IR,其中IR表示集成了SDCF算法和MF算法)。DP-IR方案主要由三个步骤实现的,分别是预处理、基于邻域的相似度计算和矩阵分解目标扰动算法。DP-IR方案通过构建平衡系数,集成了矩阵分解算法和基于用户协同过滤算法,能够很好地利用评分矩阵的全局信息和局部信息,同时兼顾了基于协同过滤算法所适应的稠密集和矩阵分解所适应的稀疏集。从理论上证明了DP-IR算法满足?-差分隐私,可以实现项目级别的隐私保护,并在真实的数据集进行多组实验,验证了DP-IR算法能够很好地保护用户的数据隐私安全,且能够实现高质量地推荐服务。(2)设计了一种基于个性化差分隐私的集成推荐方案(PDP-IR,其中IR表示集成了PPCF算法和MF算法)。PDP-IR方案将个性化差分隐私机制应用到集成推荐算法,主要由PPCF算法、采样机制和矩阵分解时目标扰动算法三个步骤实现的。考虑到每个用户对各种项目的隐私级别的需求是不一样的,PDP-IR方案能够为用户提供个性化隐私需求和项目级别的隐私保护,还可以提供高质量地推荐服务。根据个性化差分隐私的定义,从理论上证明了PDP-IR方案是满足个性化差分隐私的,从而保证了整个方案的隐私安全,并在真实数据集上进行多组实验,验证了PDP-IR方案的实用性。