Skyline查询广泛应用于多准则决策,作为一种强大的数据分析工具,它可以从不同分销商的大量绩效数据中检索出最具代表性的绩效信息,能够有效地满足分销渠道绩效评价的需求。但是,分销商提交的绩效数据可能包含敏感信息,Skyline查询过程也可能进一步泄露隐私信息,从而导致商业机密的泄露。因此,如何保证基于Skyline查询的分销渠道绩效评价的隐私性成为迫切需要解决的问题。由于差分隐私在隐私保护方面具有很强的鲁棒性和可靠性,因此是解决该隐私问题的有效方案。但是差分隐私存在着隐私保护后数据效用大幅降低的问题。因此,如何在保证基于Skyline查询的分销渠道绩效评价隐私性的同时提高差分隐私的数据效用是本文的主要目标。为了在不牺牲差分隐私所提供的隐私保障的前提下尽可能地维持较高的数据效用,本文首先引入个体化差分隐私（Individual Difffferential Privacy,（i DP））来解决基于Skyline查询的分销渠道绩效评价中的隐私问题,提出了基于个体化差分隐私的Skyline查询算法。接着,为了进一步提高查询结果的数据效用,本文对个体化差分隐私进行优化,提出了基于谱聚类的改进个体化差分隐私（Individual Difffferential Privacy via Spectral Clustering,（i DP-SC））。该算法将个体化差分隐私中局部敏感度的计算基础从原始数据集转化为谱聚类处理后的数据集上,因此能够进一步降低敏感度,从而降低了噪声量。最终,该算法在不牺牲差分隐私所提供的隐私保障的前提下维持了更高的数据效用。此外,与现有的隐私保护下的Skyline查询算法相比,本文提出的算法避免了关键信息的泄露,同时能够定量分析隐私保护水平。本文还从隐私性和数据效用两个方面对所提出的算法进行了理论证明和分析。为了验证本文提出的基于谱聚类的改进个体化差分隐私在解决分销渠道绩效评价隐私问题上的有效性,本文在真实数据集和虚拟数据集上与差分隐私、个体化差分隐私展开了对比实验。实验结果显示了本文算法相对于基准算法的性能优势:即使隐私预算很小,加噪结果也能接近于真实结果。同时,本文探究了所提出的算法中关键参数对数据效用的影响,并给出了该算法的推荐参数。为了体现所提算法在管理学中的适用性,本文还对该算法进行了案例应用。