伴随互联网技术的快速发展,基于位置的社交网络(LBSN)也得到了广泛地运用,用户乐于在互联网上分享自己的生活和个人偏好,如今流行的微博、微信都能足以证明移动社交网络的火热。通过研究分析庞大的用户位置信息数据,能为用户提供个性化的位置推荐服务,从而帮助用户发现和访问自己未曾涉及过的位置领域,并且是他们感兴趣的地点。这不仅能避免用户浪费时间思考去哪儿,也能使得用户了解去哪儿能让自己收获快乐。由于位置信息数据的大量运用,用户越来越重视个人位置数据信息的隐私问题。位置信息数据能显示出用户的活动行为模式、访问地点偏好,甚至生活规律,这些信息都是能够被攻击者轻易获取或推断。保护用户的位置隐私数据是位置推荐中的一个重要环节,无论是用户的原始签到信息,还是推荐过程中涉及到用户隐私的计算,都是要进行保护的对象。本文根据具有隐私保护的个性化位置推荐进行了深层的研究与探索,包含以下几点内容。1.为了掩盖用户原始签到数据信息列表以及防止攻击者利用用户其他的相关个人信息来推断用户的隐私信息,本文将融合差分隐私和随机扰动两种方法。考虑了多级别的随机扰动方法,针对不同的用户签到频次进行不同范围的扰动,达到隐私保护的个性化,同时也能提高数据的保密性,然后将Laplace分布产生的噪声添加到朋友关系的计算中,以满足差分隐私,用于防止攻击者对用户的朋友信息进行推断。2.以前的研究数据分析表明,通过数据加扰的方法来达到隐私保护效果会降低推荐系统的推荐准确率,本文基于不同的用户信息特征,提出了一种个性化的位置推荐,将用户的特征分为隐私保护信息和非隐私保护信息两类,使得一部分具有隐私泄露风险的用户信息得到有效保护,而不具风险的信息则主要用于提高推荐的准确率。实验结果表明该方法在能保证一定的推荐效果的前提下,保护了用户的隐私数据。