随着信息世纪的到来，一方面互联网得到了空前的普及，使得大家的生活日新月异，另一方面每天信息呈指数型增长，用户难以在众多繁杂的信息中筛选出自身所需，为了能够有效筛选信息，推荐系统随之产生。推荐系统可以为用户提供其偏好的信息，是解决选择困难的有效工具，从而节约了用户的时间与精力。用户信息是一种资源，不可避免的导致了隐私泄露的问题，尤其近几年来，隐私事件等频频发生，给人们的生活和经济带来了很大损失，所以，将隐私保护加入推荐系统，刻不容缓。　　加强用户的隐私保护，研究推荐系统的改进，本文做了三个方面的研究：　　首先，在线隐私保护和推荐系统的研究。着手于当下隐私保护的现状、方法和影响隐私关注的因素开展文献研究。针对推荐系统中隐私信息保护不受重视的情况，提出将隐私保护加入推荐系统的方案，极力寻求推荐系统精确度和隐私保护的平衡。　　其次，隐私关注影响因素调查。为了找出相应的隐私保护策略，设计了关于国内网民实际情况的调查问卷，利用因子分析了解影响用户隐私关注的因素，包括个人及隐私因素、感知因素、公信及补偿因素，并且提出相应的保护策略。　　最后，推荐系统算法的隐私保护研究。利用插补缺失数值和随机扰动技术，研究奇异值分解模型的隐私保护算法，另外在此基础上通过增加有效辅助信息，应用非负矩阵分解的隐私保护算法。本文旨在探索推荐系统在推荐精确度和隐私保护的平衡，通过实验数据验证效果，利用绝对平均误差和隐私水平等指标，分析其有效性。