数据隐私信息的泄露风险制约着政务大数据开放共享的发展与应用。隐私保护算法是解决此问题的有效途径之一,它能在有效保护数据中敏感信息的同时确保数据的可用性。从隐私保护算法提出到目前为止,众多学者在各个领域取得了大量研究成果,然而已有算法对于政务大数据开放共享平台上的应用仍存在一些缺陷,比如开放共享平台的多级共享需求不是单独一种算法可以满足的;现有算法不能在多方学习中提供高质量的隐私保护;通用的匿名算法在属性项很多的数据上会导致较高的信息损失量等。近来,网络表示学习算法在提取数据特征向量时表现出卓越的性能,还有学者提出了联邦学习框架来解决“数据孤岛”问题,并在实际应用中取得有效成果。因此本文基于网络表示学习的技术,结合差分隐私算法以及联邦学习框架,针对政务大数据开放共享平台中不同用途数据的实际需求进行隐私保护框架的研究。主要内容如下:对于政务大数据开放共享平台中需共享传递并保持不失真的数据,本文针对平台的多级别机构体系和多级别数据共享隐私保护需求,设计了一套具有身份认证功能的多级密钥共享体系。该密钥体系以非对称密钥算法RSA(Rivest-Shamir-Adleman)为核心,分配平台级和部门级两套密钥,并根据平台特点制定密钥共享协议。在共享时对数据根据隐私级别分段叠加加密来实现数据多级共享时的隐私保护。此外,为提升模型性能,引入对称加密算法AES(Advanced Encryption Standard)作为直接加密算法对数据加密,并使用RSA算法对采用的AES密钥加密共享。对于在政务大数据开放共享平台中,多个参与方通过共享数据来共同训练机器学习模型的数据,本文设计了一个基于网络表示技术,并结合差分隐私技术和联邦学习框架的隐私保护模型。该模型实现了两个功能:对原始数据降维表示和在多方学习时保护特征数据的隐私。模型在对数据进行网络表示学习时首先将结构化的数据经属性规约建模为属性网络,并抽象出网络的元结构;其次根据元结构进行节点采样并基于采样结果构建数据的原始表示与网络的邻近度矩阵;最后利用深度自编码神经网络结合网络的邻近度信息对数据原始表示进行嵌入学习得到特征向量。针对多方学习的MLaas(Machine Learning as a Service)方式和协同训练方式,分别采用差分隐私技术和联邦学习框架来解决隐私保护问题。进行差分隐私加噪时,利用特征向量与网络邻近度信息设计了部分加噪方案。进行联邦学习时,根据实时参与联合训练的各本地模型的数据量设计了基于权重的梯度更新方案。对于政务大数据开放共享平台中需公开的数据,本文基于聚类改进了(α,k)-匿名算法对数据实现隐私保护。该模型在聚类前进行属性规约,在簇心的选择上遵循与已有簇心的最大距离原则来提升聚类的性能;在聚类过程中依据α原则进行簇内元素调整;在聚类结束后通过匿名操作实现k原则。此算法利用聚类实现等价类划分,在匿名化的时候极大地减少了信息损失量。以上三种模型分别对应政务大数据开放共享平台中三类不同用途的数据,根据三类数据不同的隐私保护需求,设计了相应的隐私保护策略,进而组成开放共享平台的隐私保护框架。