社区发现是大型社交网络数据分析中的一项重要研究工作,近年来已成为学术界的研究热点之一。然而在实际的应用情境下,由于服务器方是不完全可信的,用户上传的真实社交关系数据中的隐私面临被泄露和推断的风险,因此在本地差分隐私保护下社交网络的社区发现问题逐渐引起了工业界和学术界的关注。目前,该问题仍具有很强的挑战性:一方面,已有的隐私保护机制不能确保较高的社区发现精度,特别在隐私预算较低时社区发现的质量出现灾难性的下降,其主要原因是用户扰动数据的失真度在强隐私保护下严重影响了用户社区的挖掘过程。另一方面,社区发现作为一个典型的优化问题,在隐私保护下需要利用用户与服务器之间的多次交互结果来对用户分组进行调整,因此不可避免地引起隐私预算的过量分配和扰动数据的过大误差。鉴于此,本文基于本地差分隐私保护模型,根据社区发现分裂算法和凝聚算法思想分别提出了一个新颖的用户社区挖掘方法（命名为LDPCD-BEO）和一个在已有机制上进一步改进优化的方法（命名为LDPCD-LEO）:1.在LDPCD-BEO（基于社区分裂算法机制）的框架中,为了解决用户-服务器的多轮交互所造成的用户上传数据误差过大的问题,采用了满足本地差分隐私的截断拉普拉斯机制以提升用户端扰动数据的精度,同时改进了基于极值优化思想的社区分裂算法以减少用户与服务器的交互次数,进而降低隐私开销总量以保证较强的隐私保护力度。2.在LDPCD-LEO（基于社区凝聚算法机制）的框架中,根据现有方法采用了随机响应机制对用户邻接列表进行了扰动,并在邻接矩阵的重构、网络指标无偏估计以及Louvain社区挖掘算法的基础上,提出了基于保序直方图机制的度数向量扰动方法以及对用户节点分组进一步优化调整的方法,以求对现有方法的社区划分效果作进一步提升。最后,本文在两个常用的真实数据集上对所提出的上述两个方法进行了实验验证,并将其与传统方法进行了对比。实验结果证明了本文方法所划分的社区在各种隐私保护力度下具有更高的社区检测精度和效用性。其中LDPCD-BEO方法在低隐私预算下具有较高的优越性;LDPCD-LEO方法随总隐私预算从低到高有明显的上升趋势,并且相对于现有机制更好地权衡了隐私性和效用性。