在高速发展的信息时代,用户通过使用各种各样的科技产品,产生了无比庞大与复杂的数据,如果能很好的使用这些数据,就能很好的让数据服务于用户,如生活中无处不在的推荐问题,对电影、朋友、商品等的推荐,就是数据得到很好利用的成果,也使用户获得了更多的便利。但是,个性化推荐要得到很好的效果,用户要获得高质量的推荐服务,就势必会大量采集用户的各种数据,用户数据的大量聚集就有可能被攻击者利用从而发生隐私泄露。所以,数据需要被隐私保护技术处理,从而降低隐私泄露的可能性。然而,这样的操作处理就会降低推荐的质量,用户无法获得高质量的推荐,降低了推荐的意义。针对推荐和隐私保护之间的平衡问题,如何在用户数据得到隐私保护的情况下,又能很好地对用户进行推荐,本文对这一问题展开了研究,并进行了具体推荐问题的实验验证。首先,基于用户数据混淆的隐私保护方法,提出了一种基于排序分类的用户数据混淆方式。该方法的主要思想是根据用户的偏好对用户数据进行排序和分类。用户高敏类数据的混淆处理减少了用户数据的排序损失,同时降低了用户隐私的泄露风险,还可以保证用户数据的实用性。对于大量的用户低敏类数据,我们采用差分隐私方法来混淆。通过攻击模型的实验,验证了该方法在隐私保护上的有效性。其次,基于加密稀疏图数据的隐私保护方法,提出了一种基于交换的差分隐私保护方法。该方法的主要思想是对加密后的稀疏图添加假边缘以掩盖确切的节点度和边缘。先把稀疏图数据依据节点度进行分区,每个区内利用相邻区的最大与最小的节点度差值构建拉普拉斯差分隐私函数,产生伪造的边缘数量。由于伪造的边缘数据被加密为0,所以既不会对数据的实用性产生影响,又能最大程度地保证加密后的图数据不会再次泄露隐私。通过统计函数攻击实验,验证了该方法的隐私保护效果。与此同时,将这两种隐私保护方法应用于推荐领域。建立个性化推荐的模型,然后将两种隐私保护方法运用于具体的推荐问题。通过对具体推荐数据的实验,验证了两种隐私保护方法在个性化推荐方面具有更好的准确性和更高的效率。