随着互联网的不断创新与进步,用户享受着服务提供商（SP）提供的各类型服务的同时,与服务相关的数据也在日益增长。这些数据被SP收集分析来获取对其服务开展有用的信息。服务评级就是一种获取此类数据常见的方法,用户参与服务后给出不同维度的评级数据,其被SP收集用于辅助完善服务。但随着用户隐私意识的不断增强,其不再信任其他人,且仅在私有数据离开自己设备之前,对其进行了适当消毒的情况下才愿意共享数据。因此,在面对不被信任的SP的数据收集行为时,本地差分隐私（LDP）模型常被用来保护服务评级数据,但现有的LDP协议有着估计精度不高,SP端计算代价过高和不能满足用户不同的隐私保护需求等问题。针对这些问题,本文开展的主要研究工作如下:（1）针对现有的LDP协议存在的服务访问频率估计精度不高和SP端计算代价过高问题,提出一种在本地设置中的进行服务访问频率调查的方案,实现在本地端对用户访问信息的隐私化处理和SP端的服务访问频率统计。该方案首先通过引入边缘计算模型来设计服务访问数据收集框架,接着使用one-hot编码来设计数据扰动算法,来避免基于Hash编码的LDP协议因Hash冲突带来的算法误差,并简化随机化步骤来提高频率估计的精度,然后将扰动数据上传到边缘层并计算频率估计所需的中间结果,以减少SP端的计算代价。最后通过理论分析,说明该方案相比于其他数据收集方案在SP端计算代价方面的优势。经过实验验证,所设计的扰动算法相比于代表方法有着更高的频率估计精度。（2）针对现有LDP协议因缺乏对用户隐私偏好的认知导致聚合后的评级数据准确性下降问题,提出一种基于用户隐私偏好的评级数据聚合方案。该方案使用用户隐私偏好和服务评级的历史记录来对用户评级敏感度进行量化,并根据得到的敏感度划分用户隐私保护等级来实施数据扰动,然后设计基于键值编码的LDP协议来整体扰动评级数据,其可实现服务的频率估计和评分的均值估计。最后对该方案进行隐私性和性能分析,并通过实验验证,该方案在满足用户不同的隐私保护需求的同时,相比于代表方法有着更高的数据实用性。