随着互联网、云计算、大数据等信息技术的快速发展,如何通过数据挖掘获取潜在有价值的知识成为当前的研究热点。其中,频繁项集挖掘是发现事务关联关系,提供推荐、预测等信息服务的基础,在电子商务、医疗健康、位置服务等领域具有广泛的应用需求。但是当频繁项集挖掘的数据对象中含有用户敏感信息时,直接挖掘和发布频繁项集及其支持度存在泄露用户敏感信息的风险,这在一定程度上制约了频繁项集挖掘的相关应用,因此有必要对频繁项集的挖掘和发布加以隐私保护。差分隐私保护采取数据失真技术,通过向查询请求或发布结果中添加噪音实现隐私保护。该模型虽然提高了隐私保护水平,但是对输出结果的可用性与准确性产生一定的影响。基于差分隐私的频繁项集挖掘已经取得了一系列成果,但仍然存在两个主要问题,即如何保证该方法满足?-差分隐私保护,以及如何提高所发布频繁项集及其噪音支持度的可用性与准确性。针对上述问题,本文分别提出了基于事务截断的差分隐私频繁项集挖掘算法与基于线性回归的噪音支持度调整算法。由于数据集的事务长度会影响所添加噪音的大小,基于事务截断的差分隐私频繁项集挖掘算法利用指数机制的隐私性与寻优能力,同时考虑减小噪音误差与截断误差的总和,将最优事务长度选取问题转换为用质量函数求最优解的问题,并截断原始事务数据集。然后用FP-Growth算法对截断后的事务数据集进行频繁项集挖掘,利用拉普拉斯机制将产生的噪音添加至频繁项集及其支持度中,以此提高挖掘结果的隐私保护水平。基于线性回归的噪音支持度调整算法主要是调整最终输出的top-k频繁项集的噪音支持度,使其具有真实支持度序列的降序和整数性质,从而提高所输出频繁项集的准确性。实验表明,利用基于事务截断的差分隐私频繁项集挖掘算法与基于线性回归的噪音支持度调整算法能够有效提高top-k频繁项集及其噪音支持度的可用性与准确性。同时,理论分析表明该方法能够满足?-差分隐私保护和(δ,η)-useful可用性的要求。