群体感知具有数据收集成本低、数据种类丰富、收集规模庞大的特点,受到研究者和服务提供商的广泛关注。参与者是感知数据的提供者,是群体感知服务高质、高效的重要前提和关键。因此,激励更多、更优质的参与者参与到感知任务中进行数据分享具有重要的研究意义和价值。提高参与者参加任务积极性的关键在于对其进行有效的数据隐私保护,降低其对隐私泄露风险的担忧。本文针对参与者个性化隐私保护需求无法得到满足,数据的隐私和效用难以权衡的研究现状,提出了一种面向隐私与效用权衡的改进本地化差分隐私算法,并基于改进算法,提出了一种参与者个性化隐私保护方案,充分满足参与者隐私保护需求的前提下最大化数据可用性。参与者个性化隐私保护方案使其对群体感知更具信任感,消除其后顾之忧,激励更多参与者积极参与到感知任务中,对感知数据质量的提升也有重要的推动意义。但是,伴随着参与者人数的扩大,参与者鱼龙混杂,质量参差不齐,参与者的合理优选可以进一步提升感知质量。本文提出了一种基于协同过滤和关联规则的混合推荐算法的群体感知参与者优选方案。基于参与者在不同任务中的表现,应用基于协同过滤的推荐算法择优选择,提高参与者的质量;在此基础上还引入任务属性对优选方案进行改进,解决了新任务下参与者优选效果不佳的问题。此外,采用关联规则挖掘技术优化任务间相似度计算,进一步解决了任务-属性矩阵数据稀疏的影响,提升了参与者优选的准确性。参与者优选方案能够指导群体感知系统精准优选出更优质的参与者参加相应的感知任务,推动群体感知系统提供更加高质高效的服务。