互联网技术飞速发展,在如今的网络环境中产生的信息往往巨大且复杂的,人们被大量的信息所吞没,在面对这些令人眼花缭乱的海量数据时,用户已经无法直接便利地获得其所需要的有效信息。如何高效为人们提供需要的信息是当今互联网环境的关键,针对这样的信息过载问题,目前最有效的方法便是推荐系统,它根据用户的历史信息分析其潜在的兴趣爱好帮助用户发现其可能需要的信息节省用户找搜索信息的时间。尽管推荐系统可以帮助缓解信息过载问题,但是仍然还有一些问题有待解决。因为推荐过程是基于已有的用户信息下进行的,在面对用户信息缺失的情况下会面临推荐准确性差的问题;另外,由于推荐系统要掌握用户与系统的交互行为信息,必然会给用户的个人信息泄露带来极大威胁。这两个问题产生的原因相互矛盾,如何同时解决数据缺失和用户隐私问题值得深入探讨。本文首先对推荐系统的研究背景作出阐述指明本文的研究意义,对国内外研究现状进行总结,归纳当前常用的推荐模型及隐私保护方法的优缺点。然后,详述流行的推荐算法的工作原理和差分隐私的基本定义,以结合辅助信息和差分隐私为出发点提出相应的解决方案,本文具体的研究内容有:(1)为提高对冷启动项目的推荐能力并保护用户隐私,结合用户标签信息,提出一种结合差分隐私与标签信息的矩阵分解推荐模型。该模型首先将标签信息加入到项目相似度的计算过程,随后融入到矩阵分解推荐模型中提高推荐精度,最后运用随机梯度下降法求解模型最优值。为解决用户隐私问题,将拉普拉斯噪声划分成两部分,分别加入项目相似度与梯度求解过程中,使得整个推荐过程满足?-差分隐私,并在MovieLens数据集上分析验证算法的性能。实验表明,提出的方法能在确保用户隐私的情况下,仍具有较高的推荐准确度。(2)为了提高对缺少评分用户的推荐能力,考虑社交网络用户之间的联系,提出一种差分隐私间接社交关系推荐算法。首先社交关系矩阵由用户与社交网络中的间接朋友之间的联系填充,社交关系矩阵加入用户评分矩阵的分解模型中同步分解评分矩阵和社交关系矩阵将用户特征向量共享。为保护用户隐私,将拉普拉斯噪声分别加入用户评分和用户社交关系中同时保护用户敏感评分和社交关系实现差分隐私目标函数扰乱机制。在实验中证明本文算法在获得较好的推荐性能下能够保护用户隐私。