近年来,随着互联网的飞速发展与移动设备的普及,互联网用户正面临着越来越严重的信息过载问题。作为当前信息过载问题最有效的解决方案,推荐服务既能帮助用户在海量数据中快速定位其感兴趣的商品,又为企业带来巨大的商业价值。然而随着攻击者的攻击手段不断更新换代,越来越多的推荐服务隐私泄露事件暴露在大众的视野之中,隐私泄露问题极大的损害了用户的利益。因此,与隐私保护融合已成为推荐服务的发展趋势。目前,学界在推荐服务中应用最多的隐私保护方法是差分隐私。相较于传统隐私保护方法,差分隐私能够提供最高强度的隐私保护。然而与此同时也会较大的破坏数据可用性,影响推荐服务的准确性。对此,为使得推荐服务在满足差分隐私的基础上提高推荐的准确性,本文结合社交网络中的社会关系,提出基于亲密度划分的社会化差分隐私思想,并针对邻域和矩阵分解两种适用于不同场景的主流推荐服务的算法过程,分别提出对应的亲密度划分差分隐私保护方法。在面向邻域的亲密度划分隐私保护方法中,首先通过多种核心用户提取策略分别提取了核心用户,接下来为核心用户评分矩阵、用户相似度矩阵以及用户平均分的求解过程中添加隐私保护。在面向矩阵分解的亲密度划分隐私保护方法中,分别为交替最小二乘与随机梯度下降两种矩阵分解算法的迭代过程中添加社会化差分隐私,以达到在保护隐私的基础上减少对数据可用性的破坏的目的。最后,本文将结合两种隐私保护方法的推荐服务应用于真实的数据集中,实验结果表明本文提出的隐私保护方法均能一定程度上提高推荐服务的准确性。