随着社交网络的兴起,海量的图数据产生,这些数据作为知识发现和辅助决策的重要资源,被数据挖掘工具频繁收集、分析和发布。来源于现实网络中的图数据通常携有大量的用户敏感信息,因此,图数据发布过程中的隐私保护工作尤为重要。随着网络的不断发展,简单图难以表征复杂网络中的潜在联系,超图在表征多方关系上更具优势,近年来被越来越多地被应用在复杂网络分析任务上。现有的图数据隐私保护工作多基于简单图,在超图数据发布上面临着新的挑战。我们针对现有工作的不足,基于差分隐私技术提出了更具普适性和鲁棒性的图数据发布方法。本文研究工作及主要贡献如下:首先,针对传统地理社交网络(Geo-social Network,GSN)数据发布隐私保护方法不足以为数据间的多方关系提供严格隐私保证的问题,提出一种更具普适性的基于超图的差分隐私保护模型,给出了邻近超图上的差分隐私定义;然后综合考虑GSN数据中的社交属性和位置信息,进一步提出了满足差分隐私的超图构建过程;最后,采取了更加合理的数据可用性度量标准,评估了该方法在度分布查询上的准确性。与目前主流的隐私保护方法相比,该方法优化了的查询敏感度计算,并且缩小了噪声扰动范围。实验结果表明,我们的方法与同类算法相比在数据可用性和算法效率上表现更优。此外,针对现有工作在超图谱聚类任务上的不足,提出一种基于差分隐私的超图谱聚类方法,目的在于保证隐私的同时最大化超图特征谱的可用性。本工作从数学理论上给出了超图特征谱的查询敏感度计算和证明;并且基于不同的矩阵扰动机制提出了两个满足差分隐私的超图谱计算方法;最后,考虑到谱聚类效果,引入标准化互信息作为更加合理的数据可用性度量标准。实验结果表明,与传统的特征谱扰动方法相比,我们的方法在超图谱聚类任务上表现更优,运行时间更少。