随着互联网和大数据技术的发展,在人工智能和智慧城市的背景下,越来越多的位置信息和社交信息通过地理社交网络被研究机构和企业收集、存储和分析。为更好地利用数据的潜在价值,数据持有者会通过数据共享的方式,将收集的数据公开发布,供研究人员进行挖掘分析等工作。然而地理社交网络数据记录包含个人高度的敏感信息。因此,隐私问题成为制约地理社交网络数据发布的一个瓶颈。目前,隐私数据发布研究中常用的方法是匿名化技术,即将数据中个体的准标识符进行隐藏来尽可能的避免攻击者获得个体的敏感信息。在地理位置和社交网络的隐私保护领域,许多研究工作都对匿名化方法进行了迁移扩展。然而,地理社交网络数据是具有复杂数据联系的异构数据,其数据复杂性使以往的匿名化方法不能有效地保障用户的隐私,导致隐私安全受到严重威胁。所以针对地理社交网络数据的匿名化框架需要对位置和社交信息同时进行匿名化处理来保护个体敏感信息。本研究工作的主要贡献如下:第一,现有地理位置匿名化方法仅考虑位置点,不考虑位置之间的模式关系,存在丢失位置模式问题。针对这一问题,我们在topmlocations模型基础上形式化定义了频繁位置关系图模型,提出了一种基于关系图的地理位置数据匿名化隐私保护方案,同时设计了两种匿名化算法。该方案在匿名的过程中考虑了地理位置之间的共现模式特性,从而保证了匿名化后的地理位置数据集能够保持位置之间模式特性,提高了数据挖掘分析中的可用性。最后,在两个真实数据集上,我们从数据隐私性和数据可用性两方面验证了该方案的有效性。第二,由于地理社交网络中包含位置和社交两种数据信息,仅针对位置的匿名化保护无法抵御基于位置和社交信息融合的混合攻击。因此,在第一个工作的基础上,引入了社交信息,设计了基于图修改策略的两种匿名化算法,从而保护了地理社交网络中用户的隐私,减少匿名损失并提高数据可用性。最后,通过一系列的实验对不同性能指标进行了评估和分析,验证了算法的高效性。