互联网时代,随着网上数据总量的高速增长,推荐系统给人类带来了极大的便利。通过帮助用户寻找喜好相关的资讯或者物品,推荐系统减少了用户在庞大数据面前寻找所需信息的时间。但是人们在享受推荐系统带来便捷的同时,也不得不担心推荐系统引发的数据安全和隐私泄露问题。用户数据在推荐系统的各个环节都有可能被泄露,并且攻击者对匿名后的数据利用其他公开的信息,依然能够还原被匿名的身份,暴露用户部分敏感信息。可见简单的隐私处理并不能够解决用户数据泄露的问题。所以对推荐系统中隐私保护问题的研究具有很大的实际意义,目前针对推荐系统中隐私保护问题的研究中主要是基于同态加密的方案提供数据保护。本论文主要研究推荐系统的隐私保护问题,分别提出了一种基于全同态加密的矩阵分解方案和一种隐私保护的推荐系统实现。论文的主要贡献如下:(1)矩阵分解是一种推荐系统中常用的算法,将用户的评分数据矩阵分解成用户描述矩阵和物品描述矩阵。而矩阵分解迭代过程中需要计算大量的向量内积运算,因为在全同态加密下的内积运算比较复杂,导致系统中的计算和交互开销大,又由于密文数据过大现有的研究方案只能计算少量数据。这样的计算复杂度在全同态密文环境下显得只具有理论意义,并没有实践的可能性。现考虑将同态加密和矩阵分解算法结合,在满足隐私保护的条件下还能提高推荐系统的性能。使得方案的计算复杂度并不随着用户评分数据集的大小增长,只和系统中用户、物品数相关,从而能够在一定的计算开销内完成整个数据集的训练迭代。实验证明该方案有很好的性能表现和准确性,推荐服务器和加密服务器在完成规定的协议时,用户的隐私信息并没有泄露。(2)矩阵分解算法只是一种推荐系统中训练用户和物品模型的算法,要实现一个可用的推荐系统还需要系统层面的考虑和设计。所以基于全同态加密的矩阵分解算法,我们提出了一种可用的推荐系统设计——通过多个模块的分工合作,加快了系统对用户请求的处理速度。并且解决了用户、物品冷启动问题,以及密钥更换和由矩阵分解自身算法导致的一些问题。最终实现了一个能够快速加入新用户、新物品的高可用的隐私保护的推荐系统,且实现了给用户推荐特定物品和热门推送等业务功能,在保证用户数据隐私的同时,快速、准确地给用户推荐合适的物品。