电子商务平台中广泛应用的协同过滤推荐技术是根据相似用户的偏好数据向目标用户推荐项目，虽然其具有无需理解项目内容、易于实现等优点，但却很难保护用户的隐私信息，使得从中收集高质量数据变成了难以实现的任务，进而影响了推荐的准确率。近年来，基于数据失真的差分隐私保护因其对攻击模型的严格定义和对隐私泄露风险的定量化的表示和证明而受到了极大的关注。　　论文通过研究隐私保护中的差分隐私和协同过滤中的矩阵分解技术，提出将差分隐私保护引入user-item评分矩阵，采用隐语义模型矩阵分解方法实现推荐。论文主要工作：为了减少噪声的加入量，提出了自适应用户分组裁剪方法，以对原始评分矩阵中对项目评分比较少的用户进行裁剪处理，然后将差分隐私引入未被裁剪的用户中，以对评分矩阵添加Laplace噪声来实现隐私保护，并对差分隐私处理后的原始评分矩阵进行隐语义模型分解，利用随机梯度下降算法优化得到user-factor矩阵和item-factor矩阵，最终实现推荐。通过在Movielens数据集上进行相关实验验证，表明文中提出的基于分组裁剪的差分隐私模型推荐算法GCDPR不仅可以有效的保护用户的隐私信息，同时也能获得良好的推荐准确率。