科学技术的迅猛发展使得人们的生活越来越便利,与此同时,日益剧增的数据量加大了人们获取信息的难度。数据挖掘技术的兴起与发展有利于解决人们信息获取的难题,但是,数据挖掘的大规模应用正在严重危害着人们个人隐私数据的安全。人们享受数据挖掘带来的便利的同时,正在承担着个人隐私泄露的风险。面向数据挖掘的隐私保护技术的研究旨在保护人们隐私数据的同时进行有效的数据挖掘。综上所述,面向数据挖掘的隐私保护技术是一个亟待研究的课题。本文的主要研究工作如下:1.本文提出了一种基于k-means的差分隐私保护方法。此方法首先将原始数据集去除孤立点,其次根据数据集的平均密度确定初始聚类中心,然后按照已经确定的初始聚类中心对数据集进行聚类及匿名处理,最后将噪声数据添加到经过处理的数据集中。由于经过聚类匿名处理后的数据集能够有效减少查询函数的敏感度,从而降低拉普拉斯噪声的添加量,所以基于k-means的差分隐私保护能够很大程度上提高数据的可用性。2.本文在基于泛化的差分隐私匿名算法(Differentially-private anonymization algorithm based on Generalization,DiffGen)的基础上,提出了一种改进的DiffGen算法。传统的DiffGen算法存在着细分方案中隐私预算分配不合理的情况,导致DiffGen算法在实现的过程中隐私预算被过早消耗殆尽。针对这一问题,本文采用方案选择轮盘赌分裂属性,并在细分过程中将原本的平均分配隐私预算改为自适应分配,有利于增加细分次数,提高算法执行效率。此外,本文采用基尼增益作为算法中的可用性函数,有效地提高了指数机制中可用性函数的使用效率。3.本文将面向数据挖掘的隐私保护方法应用到个性化推荐中。个性化推荐也是一种特殊的数据挖掘方法。本文将所提出的面向数据挖掘的隐私保护方法与协同过滤算法相结合,验证了所提出的方法在实际应用中的可行性。这种方法使得人们在享受个性化推荐技术服务的同时,能够保障个人隐私数据的安全。